KR20180014417A - Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing - Google Patents

Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing Download PDF

Info

Publication number
KR20180014417A
KR20180014417A KR1020160114896A KR20160114896A KR20180014417A KR 20180014417 A KR20180014417 A KR 20180014417A KR 1020160114896 A KR1020160114896 A KR 1020160114896A KR 20160114896 A KR20160114896 A KR 20160114896A KR 20180014417 A KR20180014417 A KR 20180014417A
Authority
KR
South Korea
Prior art keywords
sleep
breathing
sleeping
pressure signal
interval
Prior art date
Application number
KR1020160114896A
Other languages
Korean (ko)
Other versions
KR101868888B1 (en
Inventor
이경중
박종욱
정필수
강규민
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 KR20180014417A publication Critical patent/KR20180014417A/en
Application granted granted Critical
Publication of KR101868888B1 publication Critical patent/KR101868888B1/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
    • A61B5/08—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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

The present invention relates to a device and method for classifying the sleep/wakefulness of a patient with sleep-disordered breathing using a nasal pressure signal obtainable from continuous positive airway pressure (CPAP). The method for classifying the sleep/wakefulness of a patient with sleep-disordered breathing using a nasal pressure signal according to the present invention includes a step of detecting a sleep-disordered breathing event; a step of identifying a sleep-disordered breathing interval; a step of extracting the feature vector of a normal breathing interval; and a step of classifying the sleep and wakefulness of a support vector machine classifier.

Description

비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법{Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing}Technical Field [0001] The present invention relates to a device and a method for classifying sleep / awakening in sleeping breathing patients using a nasal pressure signal,

본 발명은 지속양압호흡기(continuous positive airway pressure, CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것으로, 보다 상세히는 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하였으며, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(support vector machine, SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력하는 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and a method for classifying sleep / arousal in a sleeping breathing disorder patient using a nasal pressure signal obtainable from a continuous positive airway pressure (CPAP), and more particularly, In order to classify the sleep / arousal of patients with disabilities, sleep breathing disorder event was first detected. The interval detected as sleeping breathing disorder was classified as sleep, and the feature vector based on time domain and frequency domain was extracted The present invention relates to an apparatus and a method for classifying sleep / arousal in a sleeping breathing disorder patient by classifying and outputting sleep and awakening using a support vector machine (SVM) classifier.

수면호흡장애(sleep-disordered breathing, SDB)는 수면 중에 발생하는 모든 호흡장애를 총칭하는 것으로, 수면 무호흡(sleep apnea), 수면 저호흡(sleep hypopnea), 코골이 등이 있다. 수면호흡장애가 발생하면 체내에 산소가 원활이 공급되지 않아 수면 중 저산소증이 유발되고, 이에 수면분절로 인한 수면의 질 저하, 심할 경우 고혈압, 부정맥, 뇌졸중과 같은 심뇌혈관질환을 동반하기도 한다.Sleep-disordered breathing (SDB) is a collective term for all breathing disorders that occur during sleep, including sleep apnea, sleep hypopnea, and snoring. If sleep disturbance occurs, oxygen is not supplied to the body smoothly, resulting in hypoxia during sleep, which may result in sleep deprivation due to sleeping sickness, and cardiovascular diseases such as hypertension, arrhythmia, and stroke in severe cases.

지속양압호흡기(continuous positive airway pressure, CPAP)는 수면호흡장애 환자를 치료하기 위해 사용되는 장비로, 수면 중 환자에게 지속적으로 압력을 공급하여 상기도가 폐쇄되는 것을 막는다. 그러나 CPAP을 사용하는 환자 중 장비에 적응하지 못하여 오히려 CPAP가 수면의 질을 방해하는 경우가 있다. 따라서 CPAP을 사용하는 중에도 환자의 수면의 질을 평가할 수 있는 지표를 제공하는 것이 필요하며, 이에 환자의 수면과 각성을 자동으로 분류하는 장치 및 방법이 필요하다.Continuous positive airway pressure (CPAP) is a device used to treat patients with sleep apnea, which keeps the patient from being closed by continually applying pressure to the patient during sleep. However, in patients who use CPAP, the CPAP may interfere with the quality of sleep due to the inability to adapt to the equipment. Therefore, it is necessary to provide an index for evaluating the quality of sleep of a patient even while using CPAP, and a device and a method for automatically classifying the sleeping and awakening 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 sleeping polyvalence test or sleep polyvalence test because it is necessary to read by a clinician in a specialized sleeping center, so that the cost and investment of facilities, manpower, equipment, etc. are required, Spatial and economic burdens arise.

최근에는 수면다원검사의 불편을 줄이기 위해 단일채널 생체신호를 이용한 수면/각성 분류 방법에 대한 연구들이 보고되고 있다. 그러나, 이 연구들 대부분은 건강한 성인을 대상으로 호흡신호를 이용하여 평가한 것으로, 수면호흡장애 환자에게 적용할 경우, 정확성이 상당히 떨어져서 사용할 수 없었다.Recently, studies on sleep / awakening classification methods using single channel bio-signals have been reported to reduce the inconvenience of sleep polyvalence test. However, most of these studies were assessed using respiratory signals in healthy adults, and when applied to patients with sleep apnea, the accuracy was very poor and could not be used.

수면호흡장애 환자의 경우 정상인에 비해 수면 중 호흡이 불규칙적이며 호흡장애에 따른 반복적인 각성이 발생하기 때문에 기존의 호흡신호를 이용한 수면/각성 분류 방법을 적용할 수 없다. 또한 흉부 및 복부의 호흡노력 신호는 CPAP 장비에서 획득할 수 없기 때문에 CPAP을 사용하는 수면호흡장애 환자를 위한 수면/각성 분류 장치 및 방법이 요망된다.In the case of patients with sleep apnea, the sleep / awakening method using the existing respiration signal can not be applied because the respiration during sleep is irregular and the repetitive awakening occurs according to the respiratory disorder as compared with the normal person. Also, breathing effort signals from the chest and abdomen can not be obtained from the CPAP equipment, so a sleep / awakening classifier and method for patients with sleep apnea using CPAP is desired.

따라서 본 발명에서는 CPAP에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자에 적용 가능한 수면/각성 분류 방법을 제안한다.Therefore, the present invention proposes a sleep / awakening classification method applicable to patients with sleep apnea using a nasal pressure signal obtainable from CPAP.

선행기술로, 일본 공개특허공보 2010-214024호는 호흡운동지원 시스템에 관한것으로, 비강압력을 검출하여 비강압력에 기초하여, 흡기상태의 개시기가 검지되었을 경우 호흡보조 근육에 전기자극을 주고, 흡기상태의 종말기가 검지되었을 경우 상기 전기자극을 정지한다.In the prior art, Japanese Patent Laid-Open Publication No. 2010-214024 relates to a respiratory motion support system, which detects nasal pressure and, based on the nasal pressure, provides electrical stimulation to the respiratory auxiliary muscles when the triggering element of the inspiratory state is detected, When the terminal of the state is detected, the electric stimulation is stopped.

일본 공개특허공보 2010-214024호는 비강압력을 이용하여 호흡상태를 검출하지만, 이것으로 수면호흡장애 이벤트를 검출하여 수면호흡장애 환자의 수면/각성 분류를 행할 수는 없다.Japanese Patent Application Laid-Open No. 2010-214024 uses a nasal pressure to detect a breathing state, but this can not detect the sleeping / awakening classification of a sleeping breathing disorder patient by detecting a sleeping breathing disorder event.

다른 선행기술로, 국내 공개특허공보 제10-2014-0087902호는 수면시 혈압을 검출하는 혈압 모니터링장치로부터 수신된 혈압신호로부터 수면호흡장애 이벤트신호를 검출하고 수면호흡장애 이벤트신호로부터 무호흡저호흡지수(AHI)를 검출하는 수면호흡장애 연산처리부를 포함하는 수면호흡장애 분석장치에 관한 것이다. In another prior art, Korean Patent Laid-Open Publication No. 10-2014-0087902 discloses a method for detecting a sleeping breathing disorder event signal from a blood pressure signal received from a blood pressure monitoring device for detecting blood pressure at the time of sleeping, (AHI) in the sleep apnea.

국내 공개특허공보 제10-2014-0087902호는 별도의 혈압 모니터링장치를 필요로 하며, 혈압신호에서 수면호흡장애의 발생시점과 호흡노력 정도를 추정하는 것으로, 정확도가 상대적으로 높지 않다. 따라서 정밀한 분석이 필요한 수면호흡장애 환자의 측정에는 부적합하다.Korean Patent Laid-Open Publication No. 10-2014-0087902 requires a separate blood pressure monitoring device and estimates the time of occurrence of the sleeping breathing trouble and the degree of breathing effort in the blood pressure signal, and the accuracy is not relatively high. Therefore, it is not suitable for the measurement of patients with sleep apnea who require precise analysis.

본 발명이 해결하고자 하는 과제는 지속양압호흡기(CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 제공하는 것이다.SUMMARY OF THE INVENTION It is an object of the present invention to provide an apparatus and a method for classifying sleep / arousal in a sleeping breathing disorder patient using a nasal pressure signal obtainable from a CPAP.

본 발명이 해결하고자 하는 과제는 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하였으며, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력하는 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 제공하는 것이다.The problem to be solved by the present invention is to firstly classify the sleeping / awakening phenomenon of the sleeping breathing disorder patients using the nasal pressure signal, first to detect the sleeping breathing disorder event, to classify the interval detected as sleeping breathing disorder as sleeping, A sleep / awakening classification apparatus and method for a sleeping breathing disorder patient who extracts feature vectors based on a time domain and a frequency domain in an interval detected by using a support vector machine (SVM) classifier and classifies and outputs sleep and awakening will be.

상기 과제를 해결하기 위해, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법은, 비강 캐뉼라에 삽입된 압력센서로부터 검출된 비강압력신호를 연산처리부가 수신하여, 무호흡 이벤트, 저호흡 이벤트, 코골이 이벤트를 포함하는 수면호흡장애 이벤트를 검출하는, 수면호흡장애 이벤트 검출단계; 연산처리부는, 수면호흡장애 이벤트 검출단계 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하는, 수면호흡장애 구간 분류단계; 연산처리부는, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하는, 정상호흡 구간의 특징벡터 추출단계; 연산처리부는, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 써포트 벡터 머신 분류기의 수면과 각성의 분류단계;를 포함하여 이루어진 것을 특징으로 한다.In order to solve the above problems, a method of classifying sleep and arousal in a sleeping breathing disorder patient using a nasal pressure signal according to the present invention is characterized in that the arithmetic processing unit receives a nasal pressure signal detected from a pressure sensor inserted in a nasal cannula, A sleep breathing disorder event detecting step of detecting a sleep breathing disorder event including a low breathing event and a snoring event; The arithmetic processing unit classifies the interval including the 50% or more sleeping breathing disorder event into the sleeping breathing disturbance interval in the nasal pressure signal interval of 30 seconds unit after the sleeping breathing disturbance event detection step, ; The arithmetic processing unit determines whether or not it is a sleeping breath disturbance interval, and if the sleep breathing disturbance interval is not the normal breathing interval, the characteristic vector of the time domain including the average of the respiratory periods in the normal breathing interval and the intensity of the low- LF P), the normal breathing range characteristic vector extracting step of extracting a feature vector in the frequency domain containing; The operation processing unit applies the feature vector of the time domain and frequency domain extracted from the feature vector extracting step of the normal breathing section to the support vector machine (SVM) classifier to classify the sleep and arousal, And a classification step.

본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법는 연산처리부가, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는, 수면호흡장애 구간의 수면분류단계;를 더 포함하여 이루어진다.The method of classifying sleep and arousal in a sleeping breathing disorder patient using the nasal pressure signal of the present invention determines whether or not the sleeping breathing disorder section is a sleep breathing disorder section and classifies it as sleeping And a sleep classification step of the sleep breathing disorder section.

시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하며, 주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파대 고주파수의 대역의 강도(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함한다.The feature vector of the time domain further includes the mean of the respiratory cycle MEANLEN, the standard deviation of the respiratory cycle SDLEN, the mean of the respiration amplitude MEANAMP, and the standard deviation of the respiration amplitude SDAMP, (P VLF ) of the very low frequency band, the intensity (P HF ) of the high frequency band, the intensity (P LF / P HF ratio) of the low frequency to high frequency band and the total intensity P TF .

정상호흡 구간의 특징벡터 추출단계는,연산처리부는, 비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출하는, 전처리단계; 연산처리부는, 시간영역의 특징벡터와 주파수영역의 특징 벡터뿐만아니라, 비선형 특징벡터로서, 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)를 더 검출하는, 특징추출단계;를 포함하여 이루어진다.In the feature vector extracting step of the normal breathing interval, the arithmetic processing unit removes the background noise and the snoring related signal using a median filter of the 51st order to calculate the amplitude and the cycle of the nasal pressure signal, A pre-processing step of detecting a maximum point of respiration by using the pre-processing step; The operation processing unit may further include a feature extraction step of detecting an approximate entropy (ApEn) and a central tendency measure (CTM) as a nonlinear feature vector as well as a feature vector in a time domain and a frequency domain, ; ≪ / RTI >

전처리단계에서 문턱치 초기값은,In the preprocessing step,

Figure pat00001
Figure pat00001

(단, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차임)(Where TH init is the initial threshold value, X NP is the filtered nasal pressure signal, f s is the sampling frequency, and n is the increment to update the threshold)

에 의해 구하여지진다.. ≪ / RTI >

전처리단계에서 문턱치는 In the preprocessing step,

Figure pat00002
Figure pat00002

(단, THn은 n번째 갱신된 문턱치이며, THn -1은 n-1번째 갱신된 문턱치이며, nMAXi-1는 최대점의 값임)(Where TH n is the n th updated threshold value, TH n -1 is the (n-1) th updated threshold value, and n MAXi-1 is the maximum point value)

에 의해 구하여진다..

호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균이며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 이며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 이며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 이다.Mean (MEAN LEN) of the respiratory cycle is the average of the respiratory cycle in a section of the nasal pressure signal, a standard deviation of the respiratory period (SD LEN) is the standard deviation of the respiratory cycle in the interval, the average of the respiratory amplitude (MEAN AMP ) is the average amplitude of the respiration in the interval, the standard deviation of the respiratory amplitude (AMP SD) is the standard deviation of the respiration amplitude in a section.

연산처리부는 주파수영역의 특징벡터를 추출하기 위해 비강압력 신호를 고속 푸리에 변환(FFT)을 수행하고, 고속 푸리에 변환(FFT) 결과에 제곱을 취해 전력 스펙트럼 밀도를 계산하되, 초저주파대역의 강도는 0.01~0.05 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 저주파대역의 강도는 0.05~0.15 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 고주파대역의 강도(PHF)는 0.15~0.5 Hz의 주파수 대역의 전력 스펙트럼 밀도이다.The arithmetic processing unit performs a fast Fourier transform (FFT) on the nasal pressure signal to extract a frequency domain feature vector, calculates a power spectral density by squaring the fast Fourier transform (FFT) result, The power spectrum density in the frequency band from 0.01 to 0.05 Hz, the intensity in the low frequency band is the power spectrum density in the frequency band from 0.05 to 0.15 Hz, and the intensity (P HF ) in the high frequency band is the power spectrum in the frequency band from 0.15 to 0.5 Hz Density.

전체 강도(PTF) 는 초저주파대역의 강도, 저주파대역의 강도, 고주파대역의 강를 합한 것이다.The total strength (P TF ) is the sum of the strength in the very low frequency band, the strength in the low frequency band, and the strength in the high frequency band.

본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법을 컴퓨터로 구현하기 위한 프로그램이 기록된, 컴퓨터로 판독가능한 기록매체를 특징으로 한다.A computer readable recording medium on which a program for implementing a method of classifying sleep and arousal in a sleeping breathing disorder patient using the nasal pressure signal of the present invention is recorded.

또한, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치는, 비강 캐뉼라에 삽입된 압력센서를 포함하여 이루어지며, 상기 압력센서로부터 비강압력신호를 검출하는 비강압력신호 검출수단; 비강압력신호 검출수단으로부터 비강압력신호를 수신하여, 무호흡 이벤트, 저호흡 이벤트를 포함하는 수면호흡장애 이벤트를 검출한 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하고, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로 분류하며, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하고, 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 연산처리부;를 포함하여 이루어진 것을 특징으로 한다.The apparatus for classifying sleep and arousal in a sleeping breathing disorder patient using a nasal pressure signal according to the present invention includes a pressure sensor inserted into a nasal cannula and detects a nasal pressure signal for detecting a nasal pressure signal from the pressure sensor Way; A nasal pressure signal is received from the nasal pressure signal detecting means and a sleep breathing fault event including an apnea event and a low breathing event is detected and then a 50% The sleep interval is divided into a sleep breathing disturbance interval, and if it is not a sleep breathing disturbance interval, it is classified as a normal breathing interval. In the normal breathing interval, a characteristic vector of a time domain including an average of a breathing cycle, And an operation processor for extracting a feature vector in a frequency domain including the feature vector P LF and applying feature vectors in the extracted time domain and frequency domain to a support vector machine (SVM) classifier, .

본 발명의 수면호흡장애 환자의 수면/각성 분류 장치 및 방법에 따르면, 지속양압호흡기(CPAP)에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성 분류를 행한다.According to the sleep / aural classification apparatus and method of a sleeping breathing disorder patient of the present invention, the sleep / awakening classification of a sleeping breathing disorder patient is performed by using a nasal pressure signal obtainable from a CPAP (continuous positive pressure breathing apparatus).

즉, 비강압력 신호를 이용하여 수면호흡장애 환자의 수면/각성을 분류하기 위해 먼저 수면호흡장애 이벤트를 검출하고, 수면호흡장애로 검출된 구간은 수면으로 분류하고, 정상호흡으로 검출된 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 서포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류하여 출력한다.In other words, in order to classify the sleep / awakening of sleeping breathing patients using the nasal pressure signal, sleep breathing disturbance event is detected first, the interval detected as sleeping breathing disorder is classified as sleep, Extract feature vectors based on domain and frequency domain, and classify and output sleep and awakening using SVM classifier.

특히, CPAP을 사용하는 중에도 환자의 수면의 질을 평가할 수 있는 지표인 비강압력 신호를 사용하여 환자의 수면과 각성을 자동으로 분류하는 것으로, 상대적으로 정확도가 높으며, 기존의 수면다원검사에 비해 시설이나 인력, 장비 등의 비용과 투자가 필요없으며, 환자에게 시간적, 공간적, 경제적 부담이 줄어든다.In particular, the use of the nasal pressure signal, which is an index for evaluating the quality of the patient's sleep, is used to automatically classify the patient's sleep and arousal while using the CPAP, which is relatively accurate. And manpower, equipment, etc., and the time, space, and economic burden are reduced for the patient.

도 1은 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치의 개략적인 구성을 설명하는 블럭도이다.
도 2는 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.
도 3은 수면/각성에 따른 비강압력 신호와 그것의 전력 스펙트럼 밀도를 나타낸 것이다.
도 4는 본 발명에서 선택한 특징의 평가 결과로서, 각 특징들의 마할라노비스 거리(MD)를 나타낸다.
도 5는 도 4에서 분별력이 큰 순으로 7개의 특징에서 특징 수에 따른 평균 정확도이다.1 is a block diagram illustrating a schematic configuration of a sleep / awakening classifying apparatus for a sleeping breathing disorder patient using the nasal pressure signal of the present invention.
2 is a flowchart schematically illustrating a driving method in the arithmetic processing unit of FIG.
Figure 3 shows the nasal pressure signal and its power spectral density according to sleep / awakening.
FIG. 4 shows the Mahalanobis distance (MD) of each feature as an evaluation result of the feature selected in the present invention.
FIG. 5 is an average accuracy according to the number of features in seven features in descending order of discrimination power in FIG.

이하, 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법을 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, an apparatus and method for classifying sleep / arousal in a sleeping breathing disorder patient using the nasal pressure signal of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치의 개략적인 구성을 설명하는 블럭도로, 압력센서(110), 신호전처리부(150), A/D 변환부(190), 연산처리부(210), 디스플레이부(240), 메모리부(270)을 포함하여 이루어진다.1 is a block diagram illustrating a schematic configuration of a sleep / arousal classification apparatus of a sleeping breathing disorder patient using a nasal pressure signal of the present invention, a pressure sensor 110, a signal preprocessing unit 150, an A / D conversion unit 190, an operation processing unit 210, a display unit 240, and a memory unit 270.

압력센서(110)는 비강 캐뉼라에 삽입되어, 비강압력 신호를 전기적인 신호로 검출한다.The pressure sensor 110 is inserted into the nasal cannula to detect the nasal pressure signal as an electrical signal.

신호전처리부(150)는 압력센서(110)로부터 수신된 비강압력 신호를 증폭하고 잡음을 제거한다.The signal preprocessing unit 150 amplifies the nasal pressure signal received from the pressure sensor 110 and removes noise.

A/D변환부(190)는 신호전처리부(150)로부터 수신한 비강압력 신호를 디지탈신호로 변환한 후, 연산처리부(210)로 전송한다. The A / D conversion unit 190 converts the nasal pressure signal received from the signal preprocessing unit 150 into a digital signal, and transmits the signal to the arithmetic processing unit 210.

연산처리부(210)는 수신된 비강압력 신호에서 수면호흡장애 이벤트, 즉, 정상호흡 구간과 수면호흡장애 구간을 검출하고, 수면호흡장애 구간은 수면으로 분류하였고, 정상호흡 구간에서 시간영역과 주파수영역 기반의 특징 벡터를 추출하고 써포트 벡터 머신(SVM) 분류기를 이용하여 수면과 각성을 분류한다. The arithmetic processing unit 210 detects a sleep breathing disorder event in the received nasal pressure signal, that is, a normal breathing interval and a sleeping breathing disturbance interval. The sleeping breathing disturbance interval is classified as a sleeping interval. In the normal breathing interval, Based feature vectors and classify sleep and awakening using a support vector machine (SVM) classifier.

디스플레이부(240) 및 메모리부(270)는 연산처리부(210)로부터 수면과 각성으로 분류된 결과를 수신하여 디스플레이하고, 저장한다.The display unit 240 and the memory unit 270 receive, display, and store results classified as sleeping and awakening from the arithmetic processing unit 210.

여기서, 연산처리부(210), 디스플레이부(240), 메모리부(270)는 컴퓨터(200), 또는 마이크로프로세서 등으로 이루어질 수 있다. 또한, 압력센서(110), 신호전처리부(150), A/D 변환부(190)를 비강압력신호 검출수단이라 할 수 있다.The operation processing unit 210, the display unit 240, and the memory unit 270 may be implemented by a computer 200, a microprocessor, or the like. Also, the pressure sensor 110, the signal preprocessing unit 150, and the A / D conversion unit 190 may be referred to as nasal pressure signal detecting means.

도 2는 도 1의 연산처리부에서 구동방법을 개략적으로 설명하는 흐름도이다.2 is a flowchart schematically illustrating a driving method in the arithmetic processing unit of FIG.

수면호흡장애 이벤트 검출단계로, 공지된 무호흡/저호흡 검출 알고리즘과 코골이 검출 알고리즘을 사용하여, 수신된 비강압력 신호를 30초 단위로 나누어, 즉, 30초 단위의 비강압력 신호에서 수면호흡장애 이벤트를 검출한다(S110). 여기서, 수면호흡장애 이벤트는 수면 무호흡(sleep apnea) 이벤트, 수면 저호흡(sleep hypopnea) 이벤트, 코골이(snoring) 이벤트를 포함한다. A sleep apnea event detection step that uses a known apnea / hypopnea detection algorithm and a snoring detection algorithm to divide the received nasal pressure signal in units of 30 seconds, that is, in a 30-second unit nasal pressure signal, An event is detected (S110). Here, the sleep breathing disorder event includes a sleep apnea event, a sleep hypopnea event, and a snoring event.

수면호흡장애 구간 분류단계로, 30초 단위의 비강압력 신호에서 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을 수면호흡장애 구간으로 분류하며, 그렇지 않은 구간을 정상호흡 구간으로 분류한다(S120). In the sleep breathing disturbance classification step, a section including 50% or more of the sleeping breath disturbance event in the nasal pressure signal of 30 seconds unit is classified as a sleep breathing disorder section, and the non-sleep breathing section is classified as a normal breathing interval (S120) .

수면호흡장애 구간의 수면분류단계로, 수면호흡장애 구간인지 여부를 판단하여(S130), 수면호흡장애 구간이라면, 수면으로 분류한다(S140). In step S140, it is determined whether or not the sleeping breathing disorder section is a sleeping breathing disorder section. If the breathing disorder section is a sleeping breathing disorder section, it is classified as sleeping water.

정상호흡 구간의 특징벡터 추출단계로, 수면호흡장애 구간인지 여부를 판단하여(S130), 수면호흡장애 구간이 아니라면, 정상호흡으로 검출된 구간으로, 이 구간의 시간영역과 주파수영역 기반의 특징 벡터를 추출한다(S150).In step S130, it is determined whether or not the sleep breathing disorder period is a characteristic vector extraction step of the normal breathing interval. If it is not a sleep breathing disorder interval, it is detected as normal breathing. (S150).

써포트 벡터 머신 분류기의 수면과 각성의 분류단계로, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역 기반의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류한다(S170).In the step of classifying sleep and arousal of the support vector machine classifier, the time domain and frequency domain based feature vectors extracted from the feature vector extraction step of the normal breathing interval are applied to the support vector machine (SVM) classifier to classify the sleep and arousal (S170).

다음은 정상호흡 구간의 특징벡터 추출단계를 상세히 설명한다.Next, the feature vector extraction step of the normal breathing interval will be described in detail.

정상호흡 구간의 특징벡터 추출단계는 전처리단계, 특징추출단계를 포함하여 이루어진다.The feature vector extraction step of the normal breathing interval includes a preprocessing step and a feature extraction step.

우선, 전처리단계에 대해 설명한다.First, the preprocessing step will be described.

비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출한다. To calculate the amplitude and period of the nasal pressure signal, a 51th median filter is used to remove the background noise and snoring related signals, and then the maximum point of the breath is detected using the adaptive threshold algorithm.

문턱치 설정은 수학식 1과 같이 문턱치 초기값(THinit)을 정하며, 수학식 2와 같이 이전 펄스의 최댓값에 가중치(-0.5/fs)를 적용하여 문턱치(THn)를 갱신한다. 이때 XNP와 fs는 각각 필터링된 비강압력 신호와 샘플링 주파수를 의미한다. 그리고 문턱치 이상의 값들 중 가장 큰 값을 갖는 점을 최대점(nMAXi)으로 검출 하였으며, 최대점 사이의 최소값을 최소점(nMINi)으로 검출하였다. The threshold value setting unit sets the threshold initial value (TH init ) as shown in Equation ( 1 ), and updates the threshold value (TH n ) by applying a weight (-0.5 / f s ) to the maximum value of the previous pulse as shown in Equation (2). Where X NP and f s refer to the filtered nasal pressure signal and the sampling frequency, respectively. The maximum point (n MAXi ) and the minimum point (n MINi ) were detected.

Figure pat00003
Figure pat00003

여기서, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차이다.Where TH init is the initial value of the threshold, X NP is the filtered nasal pressure signal, f s is the sampling frequency, and n is the increment to update the threshold.

Figure pat00004
Figure pat00004

여기서, THn은 문턱치이며, nMAXi는 최대점의 값(최대값)이며, nMINi는 최소점의 값(최소값)이다.Here, TH n is a threshold value, n MAXi is a maximum point value (maximum value), and n MINi is a minimum point value (minimum value).

다음은 특징추출단계에 대해 설명한다.The feature extraction step is described next.

도 3은 수면/각성에 따른 비강압력 신호와 그것의 전력 스펙트럼 밀도(power spectrum density, PSD)를 나타낸 것으로, 도 3의 (a)는 수면시를 나타내며, 도 3의 (b)는 깨어있을 때(각성시)를 나타낸다.3 shows the nasal pressure signal according to sleep / awakening and its power spectrum density (PSD). Fig. 3 (a) shows sleep time, and Fig. 3 (b) (At the time of awakening).

일반적으로, 도 3에서와 같이, 깨어있을 때에 비해 수면 시에 더욱 안정적이고 주기적인 호흡패턴을 보인다. 이러한 수면/각성에 따른 비강압력 신호의 변화를 반영하는 4개의 시간영역, 5개의 주파수영역, 2개의 비선형 특징벡터를 추출하였다. Generally, as shown in FIG. 3, the breathing pattern is more stable and periodic at the time of sleeping than when awake. We extracted four time domain, five frequency domain, and two nonlinear feature vectors reflecting the change of nasal pressure signal due to sleep / awakening.

4개의 시간영역 특징들은, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차 (SDAMP)이다.4 time-domain features, the mean (MEAN LEN), standard deviation (SD LEN), average (MEAN AMP), standard deviation (SD AMP) of breathing amplitude of the respiration amplitude of the breathing cycle of the respiratory cycle.

여기서, 호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균을 말하며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 말하며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 말하며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 말한다.Here, the average (MEAN LEN) of the respiratory cycle refers to the standard deviation of the respiratory cycle in the one region the standard deviation (SD LEN) of the means the average of the respiratory cycle, the respiratory cycle in a section of the nasal pressure signal and the average of the respiratory amplitude (MEAN AMP ) refers to the average of the breathing amplitudes in one section, and the standard deviation ( SDAMP ) of the breathing amplitude refers to the standard deviation of the breathing amplitude in one section.

주파수영역 특징을 추출하기 위해 비강압력 신호를 고속 푸리에 변환(fast Fourier transform, FFT)을 수행하였고, FFT에 제곱을 취해 전력 스펙트럼 밀도를 계산하였다. 주파수영역 특징들을 계산하기 위해 사용된 각 주파수 대역은 VLF (초저주파수, very low frequency: 0.01~0.05 Hz), LF (저주파수, low frequency: 0.05~0.15 Hz), HF (고주파수, high frequency: 0.15~0.5 Hz), TF (전체 주파수 total frequency: 0.01~0.5 Hz)이다.We performed fast Fourier transform (FFT) on the nasal pressure signal to extract frequency domain features, and squared FFT to calculate power spectral density. Each frequency band used to compute the frequency domain characteristics includes VLF (very low frequency: 0.01 to 0.05 Hz), LF (low frequency: 0.05 to 0.15 Hz), HF (high frequency: 0.5 Hz), and TF (total frequency: 0.01 to 0.5 Hz).

5개의 주파수영역 특징들은 초저주파 성분의 전력값(즉, 초저주파대역의 강도)(PVLF), 저주파 성분의 전력값(즉, 저주파대역의 강도)(PLF), 고주파 성분의 전력값(즉, 고주파대역의 강도)(PHF), 저주파 성분의 전력값/ 고주파 성분의 전력값(즉, 저주파대 고주파수의 대역의 강도) (PLF/ PHF ratio), TF 대역의 전력값(전체 강도)(PTF) 이다. The five frequency domain features include the power value of the very low frequency component (i.e., the intensity of the very low frequency band) P VLF , the power value of the low frequency component (i.e., the intensity of the low frequency band) P LF , (The intensity of the high frequency band) P HF , the power value of the low frequency component / the power value of the high frequency component (that is, the strength of the low frequency band to the high frequency band) (P LF / P HF ratio) Strength) (P TF ).

비강압력 신호의 파워 스팩트럼 밀도(PSD(x)), 즉 PSD(x)는 주파수가 x인 파워 스팩트럼 밀도이다.The power spectral density (PSD (x)) of the nasal pressure signal, PSD (x), is the power spectral density with frequency x.

VLF (Very low frequency)의 PSD는 0.01~0.05Hz의 주파수 대역의 PSD이다. VLF의 PSD는 수학식 3과 같이 나타내진다.The PSD of the VLF (Very Low frequency) is a PSD in the frequency band of 0.01 to 0.05 Hz. The PSD of the VLF is expressed by Equation (3).

Figure pat00005
Figure pat00005

여기서 PVLF는 VLF에서의 PSD를 나타낸다.Where P VLF represents the PSD in the VLF.

LF (low frequency)의 PSD는 0.05~0.15Hz의 주파수 대역의 PSD로, LF의 PSD는 수학식 4와 같이 나타내진다.The PSD of the LF (low frequency) is the PSD of the frequency band of 0.05 to 0.15 Hz, and the PSD of the LF is expressed by the equation (4).

Figure pat00006
Figure pat00006

여기서, PLF는 LF에서의 PSD를 나타낸다.Where P LF represents the PSD at LF.

HF (High frequency)의 PSD는 0.15~0.5Hz의 주파수 대역의 PSD이며, HF의 PSD는 수학식 5와 같이 나타내진다.The PSD of the HF (High frequency) is the PSD of the frequency band of 0.15 to 0.5 Hz, and the PSD of the HF is expressed by the equation (5).

Figure pat00007
Figure pat00007

여기서, PHF는 HF에서의 PSD를 나타낸다.Where P HF represents the PSD at HF.

전체 강도(PTF)는 VLF, LF, HF의 PSD들을 포함하는 그 구간 전체의 모든 파워(power)를 의미한다. 전체 강도는 수학식 6으로 나타낼 수 있다.The total intensity (P TF ) refers to the total power of the entire interval including the PSDs of VLF, LF, and HF. The total intensity can be expressed by Equation (6).

Figure pat00008
Figure pat00008

즉, 전체 강도(TP)는 주파수 x가 0.01≤x≤0.5인 파워 스팩트럼 밀도(PSD)이다.That is, the total intensity TP is a power spectral density (PSD) with a frequency x of 0.01? X? 0.5.

저주파수대 고주파수 대역 강도비(PLF/ PHF ratio)는 수학식 7과 같다.The low frequency band high frequency band intensity ratio (P LF / P HF ratio) is shown in Equation (7).

Figure pat00009
Figure pat00009

여기서 Ratio는 저주파수대 고주파수 대역 강도비를 나타낸다.Here, Ratio represents a low frequency band high frequency band intensity ratio.

비선형 특징으로 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)을 추출하였다.We extract approximate entropy (ApEn) and central tendency measure (CTM) as nonlinear characteristics.

근사 엔트로피(ApEn)는 공지된 것으로, 예를들어, 국내 등록특허 제10-0493714호 등에 공개되어 있어, 상세한 설명은 생략한다.The approximate entropy ApEn is known, and is disclosed in, for example, Korean Patent Registration No. 10-0493714, and thus a detailed description thereof will be omitted.

근사 엔트로피(ApEn)는 수학식 8과 같이 구할 수 있다.The approximate entropy ApEn can be obtained as shown in equation (8).

Figure pat00010
Figure pat00010

단, 여기서, N은 측정시간동안 취득된 데이터수(즉, N개의 수면호흡장애 이벤트)를 말하며, Pm(i)는 집합 수면호흡장애 이벤트의 연속된 m개의 원소로 이루어진 부분집합을 말하며, Pm={Pm(1),Pm(2),Pm(3),ㆍㆍㆍ,Pm(N-m+1)}으로 나타내 질 수 있다. 그리고 Pm(i)와 Pm(j)가, 0≤k＜m일때, ｜I(i+k)-I(j+k)｜＜r 을 만족하면, 두 패턴 Pm(i)와 Pm(j)는 '유사하다'고 정의하며, 집합 Pm에서 Pm(i)와 '유사한' 패턴의 개수를 nim(r)라고 한다.Here, N denotes the number of data acquired during the measurement time (i.e., N sleep breathing fault events), P m (i) denotes a subset of m consecutive elements of the collective sleep breathing fault event, P m = can be expressed by {P m (1), P m (2), P m (3), and and and, P m (N-m + 1)}. And P m (i) and P m (j) is, 0≤k <m when, | I (i + k) -I (j + k) | < if any of the r, the two patterns P m (i) and P m (j) is defined as 'similar', and the number of patterns 'similar' to P m (i) in the set P m is called n im (r).

집중경향값 (CTM)은 수학식 9와 같이 구한다.The convergence tendency value CTM is obtained as shown in Equation (9).

Figure pat00011
Figure pat00011

여기서, x(i)는 i번째 데이터(수면호흡장애 이벤트)를 말하며, ρ는 선택된 원형영역의 반경을 말한다.Here, x (i) is the i-th data (sleep breathing fault event), and ρ is the radius of the selected circular area.

일반적으로, CTM 은 원점 주위의 반경(ρ)의 원형영역을 선택하고, 그 반경내에 들어가는 점의 수를 카운팅하고, 점의 총수로 나누며, 이렇게 하여 얻어진 데이터의 제1 차이 스케터 플롯트(first differences scatter plot)로부터 계산된다. 집중경향값(CTM)은 널리공지된 것으로 보다 상세한 설명은 생략한다. 예를들어, 집중경향값(CTM)은 2012년 Raul Alcaraz와 Jose Joaquin Rieta가 BioMedical Engineering에 게제한 "Central tendency measure and wavelet transform combined in the non-invasive analysis of atrial fibrillation recordings"에 공지되어 있다.(https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/1475-925X-11-46#Abs1)Generally, the CTM selects a circular area of the radius r around the origin, counts the number of points that fall within that radius, divides the number by the total number of points, and calculates the first difference skater plot of the data differences scatter plot. The concentration tendency value (CTM) is well known and will not be described in further detail. For example, the central tendency value (CTM) is known in 2012 by Raul Alcaraz and Jose Joaquin Rieta in BioMedical Engineering, "Central tendency measure and wavelet transform combined in the non-invasive analysis of atrial fibrillation recordings." https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/1475-925X-11-46#Abs1)

다음은 써포트 벡터 머신(SVM) 분류기의 수면과 각성의 분류단계에 대해 설명한다. The following steps describe the classification of the sleep and awakening of the support vector machine (SVM) classifier.

본 발명에서는 정상호흡 구간에서 수면/각성을 분류하기 위해 SVM 분류기를 사용하였다. SVM 분류기는 각 부류를 구분하는 분리 경계면(separating hyperplane)과 이것에 가장 인접한 샘플(support vector)의 거리를 최대화 하여 최적의 분리 경계면을 구하는 것으로, 다른 분류기에 비해 일반화 능력이 우수한 방법이다. In the present invention, an SVM classifier is used to classify sleep / arousal in the normal breathing interval. The SVM classifier maximizes the distance between the separating hyperplane that separates each class and the nearest support vector to obtain the optimal separation boundary, which is superior to other classifiers.

분리 경계면을 구하는 수식을 최적화 문제로 풀면, 수학식 10와 같이 나타낼 수 있다. 이 때 는 ξI는 슬랙 변수이며, C는 슬랙 변수의 가중치이다. 본 발명에서 C값을 실험적인 방법을 통해 1로 정하였다. 수학식 11과 같이 σ가 4인 RBF (Radial Basis Function) 커널을 사용하였다.The equation for obtaining the separation interface can be solved as an optimization problem, as shown in equation (10). In this case, ξ I is the slack variable, and C is the weight of the slack variable. In the present invention, the C value was set to 1 through an experimental method. A Radial Basis Function (RBF) kernel with a sigma of 4 is used as shown in Equation (11).

Figure pat00012
Figure pat00012

여기서, W는 결정 경계면(초평면)에의 수직선 벡터이고, ξI는 슬랙 변수이며, C는 슬랙 변수의 가중치이고, N은 데이터 수이고, σ는 표준편차이다.Where W is the normal line vector to the crystal interface (hyperplane), ξ I is the slack variable, C is the weight of the slack variable, N is the number of data, and σ is the standard deviation.

RBF (Radial Basis Function) 커널(즉, 가우스 커널)은, 수학식 11과 같이 구하여 질 수 있다.An RBF (Radial Basis Function) kernel (i.e., a Gaussian kernel) can be obtained as shown in Equation (11).

Figure pat00013
Figure pat00013

여기서, x는 x좌표를 나타내며, y는 y좌표를 나타내고, f(x,y)는 커널함수를 나타낸다.Here, x represents an x coordinate, y represents a y coordinate, and f (x, y) represents a kernel function.

본 발명의 검증을 위해 실험을 행하였다.Experiments were conducted to verify the present invention.

즉, 본 발명에서 선택한 특징, 즉, 특징추출단계에서 선택한 특징이 적정한 선택인지를 실험을 통해 확인하여였다. 즉, 수면/각성 분류를 위한 최적의 특징을 선택하기 위해, 특징추출단계에서, 비강압력 신호의 정상호흡으로부터 추출한 11개의 특징이 부류 간 통계적으로 유의한 차이가 있는지 확인하였다. 통계분석을 위해 독립표본 t-검정(two independent sample t-test)을 학습군 15명을 대상으로 수행하였으며, p-값이 0.05 미만일 경우 부류 간 각 특징이 통계적으로 유의한 차이가 있다고 판단하였다. 그리고 통계적으로 유의한 차이가 있는 특징 중 분류를 위한 최적의 특징을 선택하기 위해 그룹 간 마할라노비스 거리(Mahalanobis distance, MD)를 이용하여 분별력을 계산하였다. 마할라노비스 거리를 통해 분별력이 높은 순으로 특징 순위를 매기고, 분별력이 큰 순으로 특징들을 조합하면서 반복적으로 LOO 교차검증(leave-one-out cross validation)을 수행하였다.That is, it was confirmed through experiments that the feature selected in the present invention, i.e., the feature selected in the feature extraction step, is a proper selection. In other words, in order to select the optimal features for the sleep / arousal classification, it was confirmed whether there were statistically significant differences among the 11 features extracted from the normal breathing of the nasal pressure signal in the feature extraction stage. Was performed to test (two sample independent t -test) targeted 15 people learning group, p - - independent samples t for statistical analysis value of each feature between the case of less than 0.05 was determined that the class is a statistically significant difference. The discriminant power was calculated using the Mahalanobis distance (MD) between groups to select the best features for classification among statistically significant differences. Through the Mahalanobis distance, we performed feature-by-feature ranking in the order of discretion, followed by leave-one-out cross validation repeatedly combining features in the order of greatest discretion.

상기 검증을 위한 연구대상은 수면다원검사를 통해 수면호흡장애 진단을 받은 30명의 환자를 대상으로 하였다. 또한 알고리즘 구현과 평가를 위해 30명의 환자 중 학습군(training set)과 평가군(test set)을 각각 15명씩 나누었고, 학습군과 평가군은 모든 임상적 특징이 통계적으로 차이가 없었다(p > 0.05). 수면다원검사기를 이용하여 수면호흡장애 환자의 데이터를 획득하였으며, 검사에 소요된 시간은 최소 6시간 이상이었다. 수면다원기록은 뇌파, 좌측 및 우측 안구운동, 턱과 다리 근전도, 흉부 및 복부 호흡노력, 체위변동, 공기흐름, 심전도, 맥박산소포화도를 포함한다. 이 때 비강압력 신호는 비강 캐뉼라에 삽입된 압력센서로부터 획득되어 저장되었다. 수면단계와 수면 무호흡/저호흡, 코골이는 임상전문가가 분석하였다.The subjects of this study were 30 patients who were diagnosed with sleep apnea by sleep polygraph. For the implementation and evaluation of the algorithm, 15 training set and 15 test set were divided into 30 patients, and there was no statistically difference in all clinical characteristics between the study group and the evaluation group ( p > 0.05 ). Data were collected from patients with sleep apnea using a sleep polygraph tester, and the time taken for the test was at least 6 hours. Sleep history records include EEG, left and right eye movements, jaw and leg EMG, chest and abdominal respiratory effort, position changes, airflow, electrocardiogram, and pulse oxydation. At this time, the nasal pressure signal was obtained and stored from the pressure sensor inserted in the nasal cannula. Sleep stages, sleep apnea / low respiration, and snoring were analyzed by clinical specialists.

도 4는 본 발명에서 선택한 특징의 평가 결과로서, 각 특징들의 마할라노비스 거리(MD)를 나타낸다.(여기서서 *는 p < 0.05인 것을 나타낸다.)Figure 4 shows the Mahalanobis distance (MD) of each feature as a result of evaluation of features selected in the present invention. (* Denotes that p < 0.05.

즉, 도 4는 수면/각성 분류의 최적 특징을 선택하기 위해 11개의 특징들을 통계분석과 분별력을 평가한 결과이다. 마할라노비스 거리를 통해 분별력이 높은 순으로 막대그래프로 나타내었으며, t-검정을 통해 두 그룹 간 유의한 차이를 보인 특징에 *로 표시하였다(p < 0.05). That is, FIG. 4 is a result of statistical analysis and discriminant power evaluation of eleven features in order to select the optimum feature of the sleep / awakening classification. ( P <0.05). The t - test showed a significant difference between the two groups, as indicated by a bar graph in the order of highest discretion through Mahalanobis distance.

도 5는 도 4에서 분별력이 큰 순으로 7개의 특징에서 특징 수에 따른 평균 정확도이다.(여기서서 *는 p < 0.05인 것을 나타낸다.)Figure 5 shows average accuracy according to the number of features in the seven features in order of greatest discrimination power in Figure 4. Here, * indicates p < 0.05.

도 5의 수평축은 분별력이 큰 순서의 특징들이며, 도 5의 수직축은 평균 정확도이다The horizontal axis of FIG. 5 is a characteristic of the order in which the discrimination power is large, and the vertical axis of FIG. 5 is the average accuracy

도 5는 유의한 차이를 보이는 7개의 특징들을 분별력이 큰 순으로 조합하면서 15명의 학습군을 대상으로 반복적으로 LOO 교차검증을 한 결과이다. 15명 환자의 특징 수에 따른 정확도의 평균을 점선으로 나타내었다. 최소의 특징 개수로 최적의 성능을 보이는 특징을 선택하기 위해 일원분산분석(one-way ANOVA)과 Scheffe 사후검증(Post-Hot test)을 수행 하였으며, 가장 높은 평균 정확도와 통계적으로 차이가 없는 4개의 특징벡터 SD LEN (MD = 0.84, p < 0.01), P HF (MD = 0.81, p < 0.01), SD AMP (MD = 0.76, p = 0.031), MEAN AMP (MD = 0.75, p = 0.027)가 선택되었다.FIG. 5 is a result of repeatedly performing LOO cross validation for 15 learning groups while combining seven features showing significant differences in the order of greatest discrimination power. The average of the accuracy according to the number of features of 15 patients is shown by the dotted line. One-way ANOVA and Scheffe post-hot test were performed to select the features with the smallest number of features, and the highest average accuracy and four statistically significant differences feature vector SD LEN (MD = 0.84, p <0.01), p HF (MD = 0.81, p <0.01), SD AMP (MD = 0.76, p = 0.031), MEAN AMP (MD = 0.75, p = 0.027) the Was selected.

표 1은 비강압력 신호를 이용하여 수면호흡장애 환자의 수면과 각성을 분류한 결과이다. Table 1 summarizes sleep and awakening of sleep-disordered breathing patients using nasal pressure signals.

Figure pat00014
Figure pat00014

표 1에서, 전체 학습군의 민감도, 특이도, 정확도는 각각 61.0%, 90.1%, 86.6%, 평가군의 경우 각각 60.5%, 89.0%, 84.8%의 성능을 보였다.In Table 1, the sensitivity, specificity, and accuracy of the entire study group were 61.0%, 90.1%, and 86.6%, respectively, and 60.5%, 89.0%, and 84.8%, respectively.

본 발명에서는 CPAP에서 획득 가능한 비강압력 신호를 이용하여 수면호흡장애 환자에 적용 가능한 수면/각성 분류 방법을 제시하였다. 수면호흡장애 이벤트가 수면 중에만 발생한다는 것에 착안하여 수면호흡장애 이벤트를 고려하였고 수면 상태에 따른 호흡패턴의 차이를 이용하여 수면과 각성을 분류하여 84.8%의 정확도를 보였다In the present invention, a sleep / awakening classification method applicable to patients with sleep apnea using a nasal pressure signal obtainable from CPAP is proposed. Sleep disturbance disturbance events were considered to occur only during sleep, so sleep disturbance disturbance events were considered and the sleep and awakening categories were classified by using the difference of respiratory patterns according to the sleep state, and the accuracy was 84.8%

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 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, Modification is possible. Accordingly, the spirit of the present invention should be understood only in accordance with the following claims, and all equivalents or equivalent variations thereof are included in the scope of the present invention.

110 : 압력센서 150 : 신호전처리부
190 : A/D 변환부 200 : 컴퓨터
210 : 연산처리부 240 : 디스플레이부
270 : 메모리부110: pressure sensor 150: signal preprocessing unit
190: A / D conversion unit 200:
210: operation processing unit 240:
270:

Claims (16)

비강 캐뉼라에 삽입된 압력센서로부터 검출된 비강압력신호를 연산처리부가 수신하여, 무호흡 이벤트, 저호흡 이벤트, 코골이 이벤트를 포함하는 수면호흡장애 이벤트를 검출하는, 수면호흡장애 이벤트 검출단계;
연산처리부는, 수면호흡장애 이벤트 검출단계 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하는, 수면호흡장애 구간 분류단계;
연산처리부는, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하는, 정상호흡 구간의 특징벡터 추출단계;
연산처리부는, 정상호흡 구간의 특징벡터 추출단계에서 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 써포트 벡터 머신 분류기의 수면과 각성의 분류단계;
를 포함하여 이루어진 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.A sleep breathing disorder event detecting step of receiving a nasal pressure signal detected from a pressure sensor inserted in a nasal cannula and receiving an arithmetic processing unit and detecting a sleeping breathing disorder event including an apnea event, a low breathing event, and a snoring event;
The arithmetic processing unit classifies the interval including the 50% or more sleeping breathing disorder event into the sleeping breathing disturbance interval in the nasal pressure signal interval of 30 seconds unit after the sleeping breathing disturbance event detection step, ;
The arithmetic processing unit determines whether or not it is a sleeping breath disturbance interval, and if the sleep breathing disturbance interval is not the normal breathing interval, the characteristic vector of the time domain including the average of the respiratory periods in the normal breathing interval and the intensity of the low- LF P), the normal breathing range characteristic vector extracting step of extracting a feature vector in the frequency domain containing;
The operation processing unit applies the feature vector of the time domain and frequency domain extracted from the feature vector extracting step of the normal breathing section to the support vector machine (SVM) classifier to classify the sleep and arousal, Classification stage;
Wherein the at least one of the at least one of the at least two of the at least two of the at least one of the at least two of the at least two of the at least one of the at least two of the at least two of the at least one of the at least one of 제1항에 있어서,
연산처리부는, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는, 수면호흡장애 구간의 수면분류단계;
를 더 포함하여 이루어진 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.The method according to claim 1,
The operation processing unit may include a sleep classification step of determining whether the sleeping breathing disorder section is a sleeping breathing disorder section after the sleeping breathing disorder section classification step and classifying it as a sleeping sleeping section if it is a sleeping breathing disorder section;
The method comprising the steps of: (a) providing a nasal airway pressure signal; 제2항에 있어서,
시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.3. The method of claim 2,
Characterized in that the feature vector of the time domain further comprises a mean of a respiratory cycle MEANLEN, a standard deviation of a respiratory cycle SDLEN, a mean of respiratory amplitude MEANAMP, and a standard deviation of respiratory amplitude SDAMP. A Classification of Sleep and Arousals in Patients with Sleep Respiratory Distress Using Pressure Signals. 제3항에 있어서,
주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파대 고주파수의 대역의 강도(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.The method of claim 3,
The frequency-domain feature vector, the early strength of the low frequency band (P VLF), the intensity of the high frequency band (P HF), low-band strength (P LF / P HF ratio) of the high frequency band, the overall strength (P TF) more A method of classifying sleep and arousal in a patient with sleep apnea using a nasal pressure signal. 제4항에 있어서,
정상호흡 구간의 특징벡터 추출단계는,
연산처리부는, 비강압력 신호의 진폭과 주기를 계산하기 위해 51차 중앙값 필터(median filter)를 사용하여 배경 잡음 및 코골이 관련 신호를 제거한 후, 적응 문턱치 알고리즘을 이용하여 호흡의 최대점을 검출하는, 전처리단계;
연산처리부는, 시간영역의 특징벡터와 주파수영역의 특징 벡터뿐만아니라, 비선형 특징벡터로서, 근사 엔트로피(approximate entropy, ApEn) 와 집중경향값 (central tendency measure, CTM)을 더 검출하는, 특징추출단계;
를 포함하여 이루어진 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.5. The method of claim 4,
In the step of extracting the characteristic vector of the normal breathing interval,
The arithmetic processing unit detects a maximum point of respiration using an adaptive threshold algorithm after removing the background noise and the snoring related signal using a median filter of 51st order to calculate the amplitude and period of the nasal pressure signal , Preprocessing step;
The operation processing unit includes a feature extracting step of detecting an approximate entropy (ApEn) and a central tendency measure (CTM) as a nonlinear feature vector, as well as a feature vector in a time domain and a frequency domain, ;
Wherein the at least one of the at least one of the at least two of the at least two of the at least one of the at least two of the at least two of the at least one of the at least two of the at least two of the at least one of the at least one of 제5항에 있어서,
전처리단계에서 문턱치 초기값은,
Figure pat00015

(단, THinit는 문턱치 초기값이며, XNP는 필터링된 비강압력 신호이며, fs는 샘플링 주파수이고, n은 문턱치를 갱신하는 회차임)
에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.6. The method of claim 5,
In the preprocessing step,
Figure pat00015

(Where TH init is the initial threshold value, X NP is the filtered nasal pressure signal, f s is the sampling frequency, and n is the increment to update the threshold)
Wherein the at least one of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least one of 제6항에 있어서,
전처리단계에서 문턱치는
Figure pat00016

(단, THn은 n번째 갱신된 문턱치이며, THn -1은 n-1번째 갱신된 문턱치이며, nMAXi-1는 최대점의 값임)
에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.The method according to claim 6,
In the preprocessing step,
Figure pat00016

(Where TH n is the n th updated threshold value, TH n -1 is the (n-1) th updated threshold value, and n MAXi-1 is the maximum point value)
Wherein the at least one of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least one of 제4항에 있어서,
호흡주기의 평균(MEANLEN)은 비강압력 신호의 한 구간에서 호흡주기의 평균이며, 호흡주기의 표준편차(SDLEN)는 한 구간에서 호흡주기의 표준편차를 이며, 호흡진폭의 평균 (MEANAMP)는 한 구간에서 호흡진폭의 평균을 이며, 호흡진폭의 표준편차 (SDAMP)는 한 구간에서 호흡진폭의 표준편차를 인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.5. The method of claim 4,
Mean (MEAN LEN) of the respiratory cycle is the average of the respiratory cycle in a section of the nasal pressure signal, a standard deviation of the respiratory period (SD LEN) is the standard deviation of the respiratory cycle in the interval, the average of the respiratory amplitude (MEAN AMP ) Is the mean of the breathing amplitude in one section, and the standard deviation ( SDAMP ) of the breathing amplitude is the standard deviation of the breathing amplitude in one section. The sleeping and awakening of the sleeping breathing disorder patient using the nasal pressure signal . 제5항에 있어서,
연산처리부는 주파수영역의 특징벡터를 추출하기 위해 비강압력 신호를 고속 푸리에 변환(FFT)을 수행하고, 고속 푸리에 변환(FFT) 결과에 제곱을 취해 전력 스펙트럼 밀도를 계산하되,
초저주파대역의 강도는 0.01~0.05 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 저주파대역의 강도는 0.05~0.15 Hz의 주파수 대역의 전력 스펙트럼 밀도이고, 고주파대역의 강도(PHF)는 0.15~0.5 Hz의 주파수 대역의 전력 스펙트럼 밀도인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법. 6. The method of claim 5,
The operation processing unit performs a fast Fourier transform (FFT) on the nasal pressure signal to extract a frequency domain feature vector, calculates a power spectral density by squaring the fast Fourier transform (FFT) result,
The intensity of the low frequency band is the power spectral density in the frequency band of 0.01 to 0.05 Hz, the intensity in the low frequency band is the power spectral density in the frequency band of 0.05 to 0.15 Hz and the intensity (P HF ) in the high frequency band is 0.15 to 0.5 Hz Wherein the power spectral density is a frequency spectral density of the frequency band of the nasal pressure signal. 제9항에 있어서,
전체 강도(PTF) 는 초저주파대역의 강도, 저주파대역의 강도, 고주파대역의 강를 합한 것인 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법. 10. The method of claim 9,
Wherein the total intensity (P TF ) is the sum of the intensity in the low-frequency band, the intensity in the low-frequency band, and the intensity in the high-frequency band. 제1항 내지 제10항 중 어느 한 항의 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법을 컴퓨터로 구현하기 위한 프로그램이 기록된, 컴퓨터로 판독가능한 기록매체.A computer-readable recording medium having recorded thereon a program for implementing a method for classifying sleep and arousal in a sleeping breathing disorder patient using the nasal pressure signal according to any one of claims 1 to 10. 비강 캐뉼라에 삽입된 압력센서를 포함하여 이루어지며, 상기 압력센서로부터 비강압력신호를 검출하는 비강압력신호 검출수단;
비강압력신호 검출수단으로부터 비강압력신호를 수신하여, 무호흡 이벤트, 저호흡 이벤트를 포함하는 수면호흡장애 이벤트를 검출한 후, 30초 단위의 비강압력 신호 구간에서, 50% 이상 수면호흡장애 이벤트가 포함되어 있는 구간을, 수면호흡장애 구간으로 분류하고, 수면호흡장애 구간이 아니라면, 정상호흡 구간으로 분류하며, 상기 정상호흡 구간에서, 호흡주기의 평균을 포함하는 시간영역의 특징벡터과, 저주파대역의 강도(PLF)를 포함하는 주파수영역의 특징 벡터를 추출하고, 추출된 시간영역과 주파수영역의 특징 벡터를 써포트 벡터 머신(SVM) 분류기에 적용하여 수면과 각성을 분류하는, 연산처리부;
를 포함하여 이루어진 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.A nasal pressure signal detection means comprising a pressure sensor inserted in a nasal cannula and detecting a nasal pressure signal from the pressure sensor;
A nasal pressure signal is received from the nasal pressure signal detecting means and a sleep breathing fault event including an apnea event and a low breathing event is detected and then a 50% The sleep interval is divided into a sleep breathing disturbance interval, and if it is not a sleep breathing disturbance interval, it is classified as a normal breathing interval. In the normal breathing interval, a characteristic vector of a time domain including an average of a breathing cycle, Extracting a feature vector in a frequency domain including the feature vector P LF and applying feature vectors in the extracted time domain and frequency domain to a support vector machine (SVM) classifier to classify the sleep surface and arousal;
Wherein the at least one of the at least one nasal cavity and the at least one nasal cavity has a nasal cavity. 제12항에 있어서,
상기 연산처리부는, 수면호흡장애 구간 분류단계 후, 수면호흡장애 구간인지 여부를 판단하여, 수면호흡장애 구간이라면, 수면으로 분류하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.13. The method of claim 12,
Wherein the arithmetic processing unit judges whether or not the sleeping breathing disturbance section is a sleeping breathing disturbance section after the sleeping breathing disturbance sectioning step and classifies it into a sleeping surface if it is a sleeping breathing disturbance section. A device for classifying awakening. 제13항에 있어서,
시간영역의 특징벡터는, 호흡주기의 평균(MEANLEN), 호흡주기의 표준편차(SDLEN), 호흡진폭의 평균 (MEANAMP), 호흡진폭의 표준편차(SDAMP)를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.14. The method of claim 13,
Characterized in that the feature vector of the time domain further comprises a mean of a respiratory cycle MEANLEN, a standard deviation of a respiratory cycle SDLEN, a mean of respiratory amplitude MEANAMP, and a standard deviation of respiratory amplitude SDAMP. An apparatus for classifying sleep and arousal in sleep - breathing patients using pressure signals. 제14항에 있어서,
주파수영역의 특징 벡터는, 초저주파대역의 강도(PVLF), 고주파대역의 강도(PHF), 저주파대 고주파수의 대역의 강도(PLF/ PHF ratio), 전체 강도(PTF) 를 더 포함하는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 장치.15. The method of claim 14,
The frequency-domain feature vector, the early strength of the low frequency band (P VLF), the intensity of the high frequency band (P HF), low-band strength (P LF / P HF ratio) of the high frequency band, the overall strength (P TF) more Wherein the nasal pressure signal is used to classify sleep and arousal in a sleeping breathing disorder patient. 제5항에 있어서,
집중경향값 (CTM)은
Figure pat00017

(단, x(i)는 i번째 수면호흡장애 이벤트 데이터를 나타내며, ρ는 선택된 원형영역의 반경을 나타냄.)
에 의해 구하여지는 것을 특징으로 하는, 비강압력신호를 이용한 수면호흡장애 환자의 수면과 각성의 분류 방법.
6. The method of claim 5,
The concentration trend value (CTM)
Figure pat00017

(Where x (i) represents the i-th sleeping breath event data, and ρ represents the radius of the selected circular area).
Wherein the at least one of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least two of the at least two of the at least one of the at least two of the at least one of
KR1020160114896A 2016-07-29 2016-09-07 Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing KR101868888B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160097432 2016-07-29
KR20160097432 2016-07-29

Publications (2)

Publication Number Publication Date
KR20180014417A true KR20180014417A (en) 2018-02-08
KR101868888B1 KR101868888B1 (en) 2018-06-26

Family

ID=61232486

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160114896A KR101868888B1 (en) 2016-07-29 2016-09-07 Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing

Country Status (1)

Country Link
KR (1) KR101868888B1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427817A (en) * 2019-06-25 2019-11-08 浙江大学 A kind of hydrofoil cavitation feature extracting method based on vacuole framing Yu sound texture analysis
KR20200120969A (en) * 2019-04-03 2020-10-23 경북대학교 산학협력단 Apparatus and Method for determining traveling status of vehicle
CN113413135A (en) * 2021-05-12 2021-09-21 广东省科学院健康医学研究所 Method, system, device and storage medium based on pulse acquisition and analysis
CN113610007A (en) * 2021-08-09 2021-11-05 重庆医科大学 Nasal cavity sample thing detection device
CN114699040A (en) * 2022-02-21 2022-07-05 华南师范大学 Waking-up detection method, device, equipment and storage medium based on physiological signals
KR20230103900A (en) * 2021-12-31 2023-07-07 주식회사 에이슬립 Method, computing device and computer program for analyzing a user's sleep state through sound information
CN116842445A (en) * 2023-07-03 2023-10-03 山东科技大学 Method and system for automatically recognizing awakening based on multi-mode space-time spectrum fusion
WO2024096419A1 (en) * 2022-11-01 2024-05-10 주식회사 에이슬립 Method for providing graphical user interface representing information or evaluation of user's sleep
CN116842445B (en) * 2023-07-03 2024-06-11 山东科技大学 Method and system for automatically recognizing awakening based on multi-mode space-time spectrum fusion

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637432B1 (en) 2018-09-21 2022-03-23 Tata Consultancy Services Limited System and method for non-apnea sleep arousal detection
KR102637473B1 (en) 2021-11-30 2024-02-16 (주)허니냅스 Data processing apparatus for detecting respiratory effort related arousal section according to polysomnography and operating method of the same
KR102637471B1 (en) 2021-11-30 2024-02-16 (주)허니냅스 Data processing apparatus for detecting respiratory event according to polysomnography and operating method of the same
KR102637472B1 (en) 2021-11-30 2024-02-16 (주)허니냅스 Data processing apparatus for detecting respiratory event section according to polysomnography and operating method of the same

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (en) * 2004-11-26 2005-06-02 주식회사 메디코아 Autonomic function analyzer
JP2014008159A (en) * 2012-06-28 2014-01-20 Fukuda Denshi Co Ltd Biological signal analysis apparatus and control method for the same
JP5662373B2 (en) * 2004-12-23 2015-01-28 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ Method for detecting and discriminating respiratory patterns from respiratory signals
KR101601895B1 (en) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity
JP2016508382A (en) * 2013-01-16 2016-03-22 ヴァイタル コネクト, インコーポレイテッドVital Connect, Inc. Detection of sleep apnea using respiratory signals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (en) * 2004-11-26 2005-06-02 주식회사 메디코아 Autonomic function analyzer
JP5662373B2 (en) * 2004-12-23 2015-01-28 レスメド・リミテッドＲｅｓＭｅｄＬｉｍｉｔｅｄ Method for detecting and discriminating respiratory patterns from respiratory signals
JP2014008159A (en) * 2012-06-28 2014-01-20 Fukuda Denshi Co Ltd Biological signal analysis apparatus and control method for the same
JP2016508382A (en) * 2013-01-16 2016-03-22 ヴァイタル コネクト, インコーポレイテッドVital Connect, Inc. Detection of sleep apnea using respiratory signals
KR101601895B1 (en) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200120969A (en) * 2019-04-03 2020-10-23 경북대학교 산학협력단 Apparatus and Method for determining traveling status of vehicle
CN110427817A (en) * 2019-06-25 2019-11-08 浙江大学 A kind of hydrofoil cavitation feature extracting method based on vacuole framing Yu sound texture analysis
CN110427817B (en) * 2019-06-25 2021-09-07 浙江大学 Hydrofoil cavitation feature extraction method based on cavitation image positioning and acoustic texture analysis
CN113413135A (en) * 2021-05-12 2021-09-21 广东省科学院健康医学研究所 Method, system, device and storage medium based on pulse acquisition and analysis
CN113413135B (en) * 2021-05-12 2024-03-29 广东省科学院健康医学研究所 Pulse acquisition analysis-based method, system, device and storage medium
CN113610007A (en) * 2021-08-09 2021-11-05 重庆医科大学 Nasal cavity sample thing detection device
CN113610007B (en) * 2021-08-09 2024-04-16 重庆医科大学 Nasal cavity sampling object detection device
KR20230103900A (en) * 2021-12-31 2023-07-07 주식회사 에이슬립 Method, computing device and computer program for analyzing a user's sleep state through sound information
CN114699040A (en) * 2022-02-21 2022-07-05 华南师范大学 Waking-up detection method, device, equipment and storage medium based on physiological signals
WO2024096419A1 (en) * 2022-11-01 2024-05-10 주식회사 에이슬립 Method for providing graphical user interface representing information or evaluation of user's sleep
CN116842445A (en) * 2023-07-03 2023-10-03 山东科技大学 Method and system for automatically recognizing awakening based on multi-mode space-time spectrum fusion
CN116842445B (en) * 2023-07-03 2024-06-11 山东科技大学 Method and system for automatically recognizing awakening based on multi-mode space-time spectrum fusion

Also Published As

Publication number Publication date
KR101868888B1 (en) 2018-06-26

Similar Documents

Publication Publication Date Title
KR101868888B1 (en) Classification of Sleep/Wakefulness using Nasal Pressure for Patients with Sleep-disordered Breathing
US11896388B2 (en) Method for detecting and discriminating breathing patterns from respiratory signals
Long et al. Analyzing respiratory effort amplitude for automated sleep stage classification
Almazaydeh et al. Obstructive sleep apnea detection using SVM-based classification of ECG signal features
EP1562472B1 (en) Method, apparatus and system for characterizing sleep
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
Devot et al. Sleep/wake detection based on cardiorespiratory signals and actigraphy
Rahman et al. Severity classification of obstructive sleep apnea using only heart rate variability measures with an ensemble classifier
Yang et al. Sleep stage recognition using respiration signal
Wang et al. The Respiratory Fluctuation Index: A global metric of nasal airflow or thoracoabdominal wall movement time series to diagnose obstructive sleep apnea
Hwang et al. Unconstrained sleep stage estimation based on respiratory dynamics and body movement
Ahmed et al. Detection of sleep apnea using sub-frame based temporal variation of energy in beta band in EEG
Ryser et al. Respiratory analysis during sleep using a chest-worn accelerometer: A machine learning approach
Shahrbabaki et al. Automatic detection of sleep arousal events from polysomnographic biosignals
Shahrbabaki et al. Pulse transit time and heart rate variability in sleep staging
Mendez et al. Automatic detection of sleep macrostructure based on bed sensors
Ye et al. Automatic sleep and wake classifier with heart rate and pulse oximetry: derived dynamic time warping features and logistic model
Widasari et al. Automatic sleep quality assessment for obstructive sleep apnea patients based on HRV spectrum analysis
Sadr et al. Sleep apnoea diagnosis using respiratory effort-based signals-a comparative study
Marcos et al. A classification algorithm based on spectral features from nocturnal oximetry and support vector machines to assist in the diagnosis of obstructive sleep apnea
Moradhasel et al. Chin electromyogram, an effectual and useful biosignal for the diagnosis of obstructive sleep apnea
Carmes et al. Novel method for detection of sleep apnoea using respiration signals
WO2023176948A1 (en) Apnea-hypopnea index estimation device, method, and program
Lazić et al. Automatic detection of respiratory effort related arousals from polysomnographic recordings
Azam et al. Sleep Apnea Detection using Cardioid Based Graph

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant