KR20190100888A - Sleep stage classification device and method using pulse oximeter - Google Patents

Sleep stage classification device and method using pulse oximeter Download PDF

Info

Publication number
KR20190100888A
KR20190100888A KR1020190020803A KR20190020803A KR20190100888A KR 20190100888 A KR20190100888 A KR 20190100888A KR 1020190020803 A KR1020190020803 A KR 1020190020803A KR 20190020803 A KR20190020803 A KR 20190020803A KR 20190100888 A KR20190100888 A KR 20190100888A
Authority
KR
South Korea
Prior art keywords
sleep
pulse wave
volume pulse
processing unit
rem
Prior art date
Application number
KR1020190020803A
Other languages
Korean (ko)
Other versions
KR102237466B1 (en
Inventor
이경중
박종욱
에르덴바야르
Original Assignee
연세대학교 원주산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Publication of KR20190100888A publication Critical patent/KR20190100888A/en
Application granted granted Critical
Publication of KR102237466B1 publication Critical patent/KR102237466B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Abstract

The present invention relates to a sleep stage classification device and method using a pulse oximeter, which classifies a sleep stage into wake, REM sleep and non-REM sleep states based on a recurrent neural network (RNN) by using photoplethysmography (PPG) from a pulse oximeter and finally determines the sleep stage by using oxygen saturation. The sleep stage classification device of the present invention comprises: a PPG detecting unit having a red light detecting unit and an infrared light detecting unit to detect red light PPG and infrared light PPG, removing noise and converting into a digital signal; and an operation processing unit detecting pulse rate variability (PRV) and pulse amplitude variability (PAV) from the red light PPG and the infrared light PPG received from the PPG detecting unit, applying the detected PRV and PAV to the RNN as input vectors to classify the sleep stage into the wake, REM sleep and non-REM sleep states, and readjusting the classified sleep stage by using the oxygen saturation detected from the red light PPG and the infrared light PPG and the number by which the wake state continues to occur.

Description

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

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

수면호흡장애(sleep-disordered breathing, SDB)는 수면 중에 발생하는 모든 호흡장애를 총칭하는 것으로, 수면 무호흡, 수면 저호흡 등이 있다. 수면호흡장애가 발생하면 체내에 산소가 원활이 공급되지 않아 수면 중 저산소증이 유발되고, 이에 수면분절로 인한 수면의 질이 저하된다. 따라서 수면호흡장애 환자의 수면의 질을 평가 하는 것이 중요하며, 이에 환자의 수면단계를 자동으로 분류하는 장치 및 방법이 필요하다.Sleep-disordered breathing (SDB) is a general term for all breathing disorders that occur during sleep, including sleep apnea and low sleep. When sleep breathing disorder occurs, oxygen is not supplied to the body smoothly, causing hypoxia during sleep, and thus sleep quality due to sleep segment is reduced. Therefore, it is important to evaluate sleep quality of patients with sleep respiratory disorders, and therefore, there is a need for an apparatus and method for automatically classifying sleep stages of patients.

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 sleep quality is the sleep polysomnography, but since it is necessary to read by a clinical expert in a specialized sleep center, it requires the cost and investment of facilities, personnel, and equipment. Spatial and economic burdens arise.

최근에는 수면다원검사의 불편을 줄이기 위해 단일채널 생체신호를 이용한 수면단계 분류 방법에 대한 연구들이 보고되고 있다. 그러나 이 연구들 대부분은 건강한 성인을 대상으로 평가한 것으로, 수면호흡장애 환자에게 적용할 경우 정확성이 상당히 떨어져서 사용할 수 없었다. Recently, studies on sleep stage classification method using single channel biosignal have been reported to reduce inconvenience of sleep polymorphism test. Most of these studies, however, were conducted in healthy adults, and their accuracy was not very good when applied to patients with sleep breathing disorders.

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

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

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

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

산소 포화도(SpO2)란, 심장으로부터 전신으로 전달되는 혈액(동맥혈)안에 있는 적혈구에 포함되는 헤모글로빈중 몇%가 산소와 결합하고 있는지, 피부를 통해(즉, 경피적으로) 조사한 값이라 할 수 있다. 프로브에 있는 수광부(수광 센서)가, 박동하는 동맥의 혈류를 검지하여, 빛의 흡수치로부터 SpO2를 계산하여 표시한다.Oxygen saturation (SpO 2 ) is the value investigated by the skin (ie, percutaneously) to determine how much of the hemoglobin contained in the red blood cells in the blood (arterial blood) delivered from the heart to the body (arterial blood). . The light receiving portion (light receiving sensor) in the probe detects the blood flow in the pulsating artery, calculates and displays SpO 2 from the absorption value of light.

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

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

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

산소포화도는 다음과 같이 주어진다.Oxygen saturation is given by

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

또한, 산소포화도(SpO2)의 측정값의 정확도를 향상시키기 위해 고속 푸리에 변환(Fast Fourier Transform; FFT)과 이산코사인 변환(Discrete Cosine Transform; DCT)을 이용한 방법(algorithm)이 있으며, 이러한 방법을 15Hz 샘플링 비율(sampling rate)로 64 포인트 FFT를 적용시키면 다음과 같은 산소포화도(SpO2)의 계산이 가능해진다.In addition, there is an algorithm using fast Fourier transform (FFT) and discrete cosine transform (DCT) in order to improve the accuracy of the measured value of SpO2. Applying a 64-point FFT as the sampling rate enables the calculation of SpO 2 as follows.

Figure pat00002
Figure pat00002

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

Figure pat00003
Figure pat00003

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

선행기술로, 국내 등록특허 제10-1601895호는 PPG를 이용하여 자율신경계 분석을 통해 수면 상태를 분류하고, SpO2의 산소불포화 이벤트를 검출하여 수면호흡장애의 중증 정도를 추정하며, 수면호흡장애의 중증 정도에 따라 서포트벡터머신을 기반으로 한 각기 다른 분류기를 적용하여 수면무호흡-저호흡을 분류하여 수면호흡장애를 평가하는, 수면 무호흡-저호흡의 자동 평가 장치 및 그 방법에 관한 것이다. 그러나, 서포트벡터머신으로 분류하는 것은 수식연산에 시간이 걸리며, 정해진 몇가지 방식에 따라 분류하는 것으로 정확도에도 문제가 있다.As a prior art, Korean Patent No. 10-1601895 uses PPG to classify sleep states through autonomic nervous system analysis, estimates the severity of sleep respiratory disorder by detecting oxygen unsaturated events of SpO2, and Apparatus and method for automatically evaluating sleep apnea-low breathing to evaluate sleep apnea by classifying sleep apnea-low breathing by applying different classifiers based on support vector machines according to severity. However, classification into a support vector machine takes time to perform mathematical calculations, and classification according to a predetermined method has a problem in accuracy.

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

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

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

RNN의 가장 두드러진 특징은 은닉층(hidden layer)가 서로 연결되어 있다는 것이다. 이 때문에 두번째 입력에서는 첫번째 입력의 영향을 받게 된다. 세번째 입력에서는 두번째 입력의 영향을 받게 되는데, 두번째 입력은 이미 첫번째 입력을 받았으므로 첫번째 입력도 세번째 입력에 영향을 미치게 되는 효과를 가진다. 간단히 하자면, RNN은 단일 입력 데이터(input data)가 아니라 이전의 입력(input)들이 이미 만들어냈던 은닉층(hidden layer)의 가중치도 입력으로 받아들여서 오더 시컨스 데이터(ordered sequence data)에 대응하게 만들어진 네트워크 모델이다,The most prominent feature of RNN is that the hidden layers are connected to each other. Because of this, the second input is affected by the first input. In the third input, the second input is affected. Since the second input has already received the first input, the first input also has an effect on the third input. In short, RNN accepts as input the weight of the hidden layer, which has already been created by previous inputs, as opposed to single input data, to correspond to ordered sequence data. to be,

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

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

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

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

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

본 발명이 이루고자 하는 다른 기술적 과제는 맥박산소측정기의 광용적맥파를 이용하여 PRV (pulse rate variability, 맥박률 변이)와 PAV (pulse amplitude variability, 맥파 진폭 변이)를 계산하고, 30초 간격으로 분할(segmentation)된 PRV와 PAV를 순환신경망(recurrent neural network, RNN)의 입력벡터로 사용되며, 수면단계(각성상태, 렘 수면, 비 렘수면)를 분류하고, 또한 산소포화도가 3% 이상 감소되는 구간의 렘 수면 또는 비 렘수면으로 재분류 하며, 두 가지 기준을 추가로 적용하여 수면단계를 최종 결정하는, 맥박산소측정기를 이용한 수면단계 분류 장치 및 방법을 제공하는 것이다.Another technical problem to be achieved by the present invention is to calculate the pulse rate variability (PRV) and pulse amplitude variability (PAV) using the optical volume pulse wave of the pulse oximeter, and divided by 30 seconds intervals ( Segmented PRVs and PAVs are used as input vectors for recurrent neural networks (RNNs), which classify sleep stages (wake states, REM sleep, non-REM sleep), and also reduce oxygen saturation by more than 3%. The present invention provides a device and method for classifying sleep stages using a pulse oximeter, which reclassifies as REM sleep or non-REM sleep, and finally determines the sleep stage by applying two additional criteria.

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

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

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

연산처리부는, 수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 한다. If the sleep respiratory disorder has not occurred and the oxygen unsaturated event has occurred, the oxygen processing event is changed to REM sleep or non-REM sleep, but the same as the sleep step of the epoch before the oxygen unsaturated event.

상기 순환신경망(RNN)은, 기 검출된 트레닝 데이터에 의해 트래닝하되, 상기 트레닝 데이터는, 적색광 용적 맥파 또는 적외광 용적 맥파에서 구하여진 PRV 및 PAV와, 상기 PRV 및 PAV에 의해 기존의 방식에 의해 분류된 수면단계의 데이터들로 트래닝된다.The RNN is trained by previously detected training data, and the training data is obtained by using PRV and PAV obtained from red light volume pulse wave or infrared light volume pulse wave, and existing by the PRV and PAV. The data of the sleep stages classified by the method are tracked.

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

Figure pat00004
Figure pat00004

(단,

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

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

수면단계 분류 방법은 연산처리부는 산소포화도가 3%이상 감소되었는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 만약, 수면호흡장애가 발생되지 않았다면, 산소불포화 이벤트 발생여부를 판단하고, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면이나 비 렘수면으로 하는, 수면호흡 장애여부 판단단계;를 더 포함한다.In the sleep stage classification method, the processing unit determines whether the oxygen saturation is reduced by 3% or more, and if the oxygen saturation is reduced by 3% or more, it is determined that a sleep respiratory disorder has occurred. If the sleep breathing disorder has not occurred, the oxygen saturation event Determining whether or not, and when the oxygen unsaturated event occurs, the oxygen unsaturated event to sleep or non-REM sleep, sleep respiratory disability determination step; further comprises.

수면호흡 장애여부 판단단계에서, 연산처리부는, 수면호흡장애가 발생되지 않았고, 산소불포화 이벤트가 발생되었다면, 산소불포화 이벤트를 렘수면이나 비 렘수면으로 변경하되, 산소불포화 이벤트 이전의 epoch의 수면단계와 동일하게 한다.In the sleep breathing failure determination step, if the sleep breathing disorder is not generated, the oxygen unsaturated event occurs, the oxygen unsaturated event is changed to REM sleep or non-REM sleep, same as the sleep step of the epoch before the oxygen unsaturated event do.

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

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

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

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

Figure pat00006
Figure pat00006

(단,

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

연산처리부는 PAV를The computation processing unit uses PAV

Figure pat00009
Figure pat00009

(단, χPPG(n)은 적색광 또는 적외광의 광용적맥파 신호,

Figure pat00010
는 i번째 펄스의 최대점의 값,
Figure pat00011
는 i번째 펄스의 최소점의 값, n은 문턱치를 갱신하는 회차임)(Wherein χ PPG (n) is a light volume pulse wave signal of red or infrared light,
Figure pat00010
Is the value of the maximum point of the i th pulse,
Figure pat00011
Is the value of the minimum point of the i th pulse, and n is the time to update the threshold)

에 의해 구한다.Obtained by

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

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

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

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

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

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

도 2는 본 발명의 맥박산소측정기를 이용한 수면호흡장애 환자의 수면단계 분류 장치의 개략적인 구성을 설명하는 블럭도로, 신호검출부(100), 신호 전처리부(150), A/D 변환부(180), 연산처리부(200), 메모리부(300), 출력부(310)을 포함하여 이루어진다.2 is a block diagram illustrating a schematic configuration of an apparatus for classifying a sleep stage of a patient with a sleep respiratory disorder using a pulse oximeter according to the present invention. The signal detector 100, the signal preprocessor 150, and the A / D converter 180 are described. ), The calculation processing unit 200, the memory unit 300, and the output unit 310.

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

적색광 검출부(110)는 적색광 발광다이오드(미도시)와 수광센서(예로, 포토다이오드)(미도시)로 이루어져, 적색광 발광다이오드로부터 출사된 적색광이 체내 혈류들에서 반사된 광을 수광센서로 검출하여 전기적 신호 변환하며, 이 신호를 본 발명에서는 적색광용적 맥파라 부른다.The red light detector 110 includes a red light emitting diode (not shown) and a light receiving sensor (for example, a photodiode) (not shown). The red light emitted from the red light emitting diode detects the light reflected from the bloodstream of the body by the light receiving sensor. It converts an electrical signal, which is called red light volume pulse wave in the present invention.

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

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

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

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

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

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

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

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

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

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

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

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

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

Figure pat00012
Figure pat00012

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

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

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

Figure pat00013
Figure pat00013

여기서

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

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

Figure pat00015
)으로 검출한다.That is, the point with the smallest value between the maximum points (that is, the time between successive maximum points, referred to as the period of the pulse wave)
Figure pat00015
) Is detected.

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

Figure pat00016
)과 연이은 이전의 최대점(
Figure pat00017
) 간의 차의 역수를 취하여 구한다.PRV (pulse rate variability) is the current maximum point (Equation 6)
Figure pat00016
) And the previous maximum after it (
Figure pat00017
Find the inverse of the difference between

Figure pat00018
Figure pat00018

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

Figure pat00019
Figure pat00019

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

순환신경망(RNN)은 컨볼루션 신경망(convolutional neural network, CNN)과는 달리 노드 사이에 회귀를 구성하는 신경망으로, 시계열 데이터 처리에 유용하게 사용된다. 수면단계는 하룻밤 동안 일정한 패턴을 보이며, 따라서 수면단계 분류에 RNN이 유용하게 활용될 수 있다. Unlike a convolutional neural network (CNN), a circulatory neural network (RNN) is a neural network that forms regression between nodes, and is useful for time series data processing. Sleep stages show a constant pattern overnight, so RNN can be usefully used to classify sleep stages.

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

일반적으로, 순환 신경망(RNN)의 변형으로, LSTM(Long Short-Term Memory) 셀은 RNN 셀의 장기 의존성 문제를 해결할 뿐만 아니라 학습 또한 빠르게 수렴한다. LSTM의 변형으로서, GRU(Gated Recurrent Unit)가 있다. 즉, GRU 셀은 LSTM 셀의 간소화된 버전이라고 할 수 있다.In general, as a variant of the RNN, Long Short-Term Memory (LSTM) cells not only solve the long-term dependency problem of the RNN cell but also converge quickly. A variation of LSTM is the Gated Recurrent Unit (GRU). In other words, the GRU cell may be referred to as a simplified version of the LSTM cell.

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

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

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

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

GRU 셀은 output 게이트가 없어 전체 상태 벡터 ht가 타임 스텝마다 출력되며, 이전 상태 ht-1의 어느 부분이 출력될지 제어하는 리셋 게이트 콘트롤러(gate controller)인 rt가 있다. 리셋 게이트(reset gate) (rT)의 값은 과거의 값을 현재 정보에 얼마만큼 반영할지 결정하는 요소이다.Since the GRU cell has no output gate, the entire state vector h t is outputted at each time step, and there is a reset gate controller r t that controls which part of the previous state h t-1 is output. The value of the reset gate (r T ) is an element that determines how much the past value is reflected in the current information.

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

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

Figure pat00020
Figure pat00020

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

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

Figure pat00021
Figure pat00021

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

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

Figure pat00022
로 표기한다.G t , which analyzes the current input data x t and the short - term state h t- 1 of the previous time step, can be obtained as shown in Equation 10. In Equation 10, g t
Figure pat00022
It is written as.

Figure pat00023
Figure pat00023

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

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

Figure pat00024
Figure pat00024

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

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

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

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

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

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

GRU 레이어, 배치정규화 및 덴스 레이어, 전결합 레이어(FC Layer: Fully-Connected layer), 활성화 레이어 등은 널리 공지된 기술로, 여기서 상세한 설명은 생략한다.The GRU layer, batch normalization and dense layer, a Fully-Connected layer (FC Layer), an activation layer, and the like are well known techniques, and a detailed description thereof will be omitted.

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

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

이렇게 인공신경망에서 수면단계 분류 모델을 통해 수면단계가 분류되면, 피검자의 산소포화도를 이용하여 수면단계를 재조정한다.When the sleep stage is classified through the sleep stage classification model in the artificial neural network, the sleep stage is readjusted using the oxygen saturation level of the subject.

다음은 산소포화도를 이용하여 수면단계를 재조정하는 과정을 설명한다.The following describes the process of readjusting the sleep stage using oxygen saturation.

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

Figure pat00025
Figure pat00025

여기서,

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

다음은 산소불포화 구간(산소불포화 이벤트)에 대해서 설명한다. Next, the oxygen unsaturated section (oxygen unsaturated event) will be described.

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

본 발명에서 신호검출부(100), 신호 전처리부(150), A/D 변환부(180) 및 산소포화도의 연산은 상용화된 맥박산소측정기로 대체 가능하다.In the present invention, the calculation of the signal detector 100, the signal preprocessor 150, the A / D converter 180, and the oxygen saturation degree may be replaced by a commercially available pulse oximeter.

산소포화도가 3%이상 감소(oxygen desaturation)될 경우, 수면호흡장애가 발생했다고 가정한다. 수면호흡장애는 수면 중에만 발생하는 현상으로, 산소포화도가 3%이상 감소하여 수면호흡장애가 발생되었다고 판단된 경우, 만약 RNN 출력이 각성상태(wake)일 경우, 렘수면(REM sleep)이나 비 렘수면(Non-REM sleep)으로 재조정 한다. 이전 epoch가 각성상태(wake)나 비 렘수면(Non-REM sleep)일 경우 현재 epoch을 비 렘수면(Non-REM sleep)으로, 이전 epoch가 렘수면(REM sleep)일 경우 현재 epoch을 렘수면(REM sleep)으로 재조정 한다.If oxygen desaturation is reduced by more than 3%, sleep respiratory distress is assumed. Sleep breathing disorder is a phenomenon that occurs only during sleep.If it is determined that the oxygen breathing rate is reduced by more than 3%, the sleep breathing disorder occurs. If the RNN output is awake, REM sleep or non-REM sleep ( Readjust to Non-REM sleep). If the previous epoch is wake or non-REM sleep, the current epoch is Non-REM sleep.If the previous epoch is REM sleep, the current epoch is REM sleep. To readjust.

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

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

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

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

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

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

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

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

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

수면호흡 장애여부 판단단계로, 산소포화도 연산단계에서 검출된 산소포화도가 3%이상 감소되는 지 여부를 판단하여, 산소포화도가 3%이상 감소되었다면 수면호흡장애가 발생했다고 판단하며, 수면호흡장애가 발생되었다고 판단되면 재조정 단계(S170)로 가며, 수면호흡장애가 발생되지 않았다고 판단되면, 산소불포화 이벤트 발생여부 판단단계로 간다(S130). In the determination of sleep breathing disorder, it is determined whether the oxygen saturation detected in the oxygen saturation calculation step is reduced by more than 3%. If the oxygen saturation is reduced by more than 3%, it is determined that the sleep breathing disorder has occurred. If it is determined, go to the readjustment step (S170), and if it is determined that the sleep breathing disorder has not occurred, the process goes to the determination step of occurrence of oxygen unsaturated event (S130).

산소불포화 이벤트 여부 판단단계는, 수면호흡 장애여부 판단단계에서, 수면호흡장애가 발생되지 않았다고 판단된 경우로, 산소불포화 이벤트가 발생되면 산소불포화 이벤트를 렘수면(REM sleep)이나 비 렘수면(Non-REM sleep)으로 재조정 하고, 수면단계 재조정단계(S170)로 간다. 이때, 이전 epoch가 각성상태(wake)나 비 렘수면(Non-REM sleep)일 경우 현재 epoch을 비 렘수면(Non-REM sleep)으로, 이전 epoch가 렘수면(REM sleep)일 경우 현재 epoch을 렘수면(REM sleep)으로 재조정 한다.  In the oxygen unsaturation event determination step, it is determined that the sleep breathing disorder has not occurred in the sleep breathing disorder determination step. When an oxygen unsaturated event occurs, the oxygen unsaturated event is determined by REM sleep or non-REM sleep. ) And go to the sleep stage readjustment stage (S170). At this time, if the previous epoch is wake or non-REM sleep, the current epoch is non-REM sleep.If the previous epoch is REM sleep, the current epoch is REM sleep. readjust sleep).

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

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

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.As described above, the present invention has been described by way of limited embodiments and drawings, but the present invention is not limited to the above-described embodiments, which can be variously modified and modified by those skilled in the art to which the present invention pertains. Modifications are possible. Therefore, the spirit of the present invention should be grasped only by the claims set out below, and all equivalent or equivalent modifications thereof will belong to the scope of the present invention.

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

Claims (16)

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

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

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

(단,
Figure pat00031
는 i번째 펄스의 최대점의 값, fS는 광용적맥파(PPG) 신호의 샘플링 주파수, n은 문턱치를 갱신하는 회차임)
에 의해 구하여 지는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 8,
The calculation processing unit detects the maximum points (peaks) that are greater than or equal to the peak threshold value obtained by the adaptive threshold algorithm in the optical volume pulse wave, and the PAV is
Figure pat00030

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

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

(only,
Figure pat00033
Is the square of the AC component of the red light volume pulse wave,
Figure pat00034
Is the square of the infrared light pulse wave AC component)
Sleep stage classification method characterized by the above-mentioned. 제3항에 있어서,
연산처리부는 PAV를
Figure pat00035

(단, χPPG(n)은 적색광 또는 적외광의 광용적맥파 신호,
Figure pat00036
는 i번째 펄스의 최대점의 값,
Figure pat00037
는 i번째 펄스의 최소점의 값, n은 문턱치를 갱신하는 회차임)
에 의해 구하는 것을 특징으로 하는, 수면단계 분류 방법.The method of claim 3,
The computation processing unit uses PAV
Figure pat00035

(Wherein χ PPG (n) is a light volume pulse wave signal of red or infrared light,
Figure pat00036
Is the value of the maximum point of the i th pulse,
Figure pat00037
Is the value of the minimum point of the i th pulse, and n is the time to update the threshold)
Sleep stage classification method characterized by the above-mentioned. 제7항 내지 제15항 중 어느 한 항의 수면단계 분류 방법을 실행하는 컴퓨터 프로그램이 기록된 기록매체.A recording medium having recorded thereon a computer program for executing the sleep stage classification method according to any one of claims 7 to 15.
KR1020190020803A 2018-02-21 2019-02-21 Sleep stage classification device and method using pulse oximeter KR102237466B1 (en)

Applications Claiming Priority (2)

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

Publications (2)

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

Family

ID=67776020

Family Applications (1)

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

Country Status (1)

Country Link
KR (1) KR102237466B1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842266A (en) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 Sleep stage identification method based on human body monitoring sleep data
KR102268804B1 (en) 2021-02-16 2021-06-25 최현수 Method and apparatus for providing lighting and music according to sleep conditions using artificial intelligence
WO2021132813A1 (en) * 2019-12-23 2021-07-01 경희대학교 산학협력단 Pain evaluation method and analysis device using deep learning model
KR20210081218A (en) * 2019-12-23 2021-07-01 경희대학교 산학협력단 Pain evaluation method based on deep learning model and analysis apparatus
KR20220025371A (en) * 2020-08-24 2022-03-03 (주)허니냅스 Automatic system of analyzing sleep steps by using artificial intelligence and operating method thereof
KR102453428B1 (en) * 2022-06-03 2022-10-13 주식회사 슈파스 Method, apparatus and computer program for calculating respiratory rate using biometric data based on pulse oximetry
CN116942102A (en) * 2023-09-19 2023-10-27 北京清雷科技有限公司 Sleep stage method and device based on pulse wave
CN117224092A (en) * 2023-11-16 2023-12-15 常熟理工学院 Photoelectric volume pulse wave interference band real-time detection method and system based on decision tree
CN112842266B (en) * 2020-12-31 2024-05-14 湖南正申科技有限公司 Sleep stage identification method based on human body monitoring sleep data

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005279113A (en) * 2004-03-30 2005-10-13 Toshiba Corp Apparatus and method for determining sleeping condition
KR20130077418A (en) * 2011-12-29 2013-07-09 한국기초과학지원연구원 Classification method of bio-electric signal and device adopting the classification method
KR101601895B1 (en) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity
KR20160107007A (en) * 2015-03-03 2016-09-13 삼성전자주식회사 Apparatus and method for measuring blood pressure
KR20180133779A (en) * 2017-06-07 2018-12-17 한국전자통신연구원 Method and apparatus for sensing sleep state using biometric data and motion information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005279113A (en) * 2004-03-30 2005-10-13 Toshiba Corp Apparatus and method for determining sleeping condition
KR20130077418A (en) * 2011-12-29 2013-07-09 한국기초과학지원연구원 Classification method of bio-electric signal and device adopting the classification method
KR101601895B1 (en) * 2014-08-29 2016-03-22 연세대학교 원주산학협력단 Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity
KR20160107007A (en) * 2015-03-03 2016-09-13 삼성전자주식회사 Apparatus and method for measuring blood pressure
KR20180133779A (en) * 2017-06-07 2018-12-17 한국전자통신연구원 Method and apparatus for sensing sleep state using biometric data and motion information

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021132813A1 (en) * 2019-12-23 2021-07-01 경희대학교 산학협력단 Pain evaluation method and analysis device using deep learning model
KR20210081218A (en) * 2019-12-23 2021-07-01 경희대학교 산학협력단 Pain evaluation method based on deep learning model and analysis apparatus
KR20220025371A (en) * 2020-08-24 2022-03-03 (주)허니냅스 Automatic system of analyzing sleep steps by using artificial intelligence and operating method thereof
CN112842266A (en) * 2020-12-31 2021-05-28 湖南东晟南祥智能科技有限公司 Sleep stage identification method based on human body monitoring sleep data
CN112842266B (en) * 2020-12-31 2024-05-14 湖南正申科技有限公司 Sleep stage identification method based on human body monitoring sleep data
KR102268804B1 (en) 2021-02-16 2021-06-25 최현수 Method and apparatus for providing lighting and music according to sleep conditions using artificial intelligence
KR102344875B1 (en) 2021-02-16 2021-12-28 최현수 Method and apparatus for determining a frequency band and illuminance according to the sleeping state, and providing music according to the determined frequency band and lighting according to the illuminance
KR102453428B1 (en) * 2022-06-03 2022-10-13 주식회사 슈파스 Method, apparatus and computer program for calculating respiratory rate using biometric data based on pulse oximetry
CN116942102A (en) * 2023-09-19 2023-10-27 北京清雷科技有限公司 Sleep stage method and device based on pulse wave
CN116942102B (en) * 2023-09-19 2023-12-22 北京清雷科技有限公司 Sleep stage method and device based on pulse wave
CN117224092A (en) * 2023-11-16 2023-12-15 常熟理工学院 Photoelectric volume pulse wave interference band real-time detection method and system based on decision tree
CN117224092B (en) * 2023-11-16 2024-02-09 常熟理工学院 Photoelectric volume pulse wave interference band real-time detection method and system based on decision tree

Also Published As

Publication number Publication date
KR102237466B1 (en) 2021-04-15

Similar Documents

Publication Publication Date Title
KR102237466B1 (en) Sleep stage classification device and method using pulse oximeter
Bahrami et al. Sleep apnea detection from single-lead ECG: A comprehensive analysis of machine learning and deep learning algorithms
JP4748854B2 (en) Method and medium for determining whether a sensor is connected to a blood perfused tissue sample
Stetson Determining heart rate from noisy pulse oximeter signals using fuzzy logic
Bsoul et al. Apnea MedAssist: real-time sleep apnea monitor using single-lead ECG
KR101601895B1 (en) Apparatus and method for automatic evaluation of apnea-hypopnea, reflecting sleep states and severity
Mendez et al. Sleep apnea screening by autoregressive models from a single ECG lead
Marcos et al. Automated prediction of the apnea-hypopnea index from nocturnal oximetry recordings
US6931269B2 (en) Multi-domain motion estimation and plethysmographic recognition using fuzzy neural-nets
Burgos et al. Real-time detection of apneas on a PDA
Casal et al. Classifying sleep–wake stages through recurrent neural networks using pulse oximetry signals
Liu et al. Detection of obstructive sleep apnea from single-channel ECG signals using a CNN-transformer architecture
Casal et al. Sleep-wake stages classification using heart rate signals from pulse oximetry
Wang et al. The Respiratory Fluctuation Index: A global metric of nasal airflow or thoracoabdominal wall movement time series to diagnose obstructive sleep apnea
Sugita et al. Noise reduction technique for single-color video plethysmography using singular spectrum analysis
Huttunen et al. A comparison of signal combinations for deep learning-based simultaneous sleep staging and respiratory event detection
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
Marcos et al. The classification of oximetry signals using Bayesian neural networks to assist in the detection of obstructive sleep apnoea syndrome
CN114587310A (en) Method for realizing invasive blood pressure waveform estimation based on photoplethysmography
Raja et al. Existing Methodologies, Evaluation Metrics, Research Gaps, and Future Research Trends: A Sleep Stage Classification Framework
Yang et al. ECG-aided PPG signal quality assessment (SQA) system for heart rate estimation
Zhang et al. Photoplethysmogram signal quality assessment using support vector machine and multi-feature fusion
Hammal et al. Sleep Apnea detecting based on ECG and EEG signals using Discrete Wavelet Transform and Artificial Neural Network
Marcos et al. Applying neural network classifiers in the diagnosis of the obstructive sleep apnea syndrome from nocturnal pulse oximetric recordings
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

Legal Events

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