TW201306793A - 睡眠狀態之判斷方法及判斷裝置 - Google Patents

Abstract

本發明提供一睡眠狀態判斷方法。受測者之腦波訊號或眼動訊號首先於一量測期間內被量測。接著，該生理訊號被施以一多尺度熵分析，以產生複數個熵值。根據該複數個熵值，受測者於量測期間內之睡眠狀態可被判斷。

Description

睡眠狀態之判斷方法及判斷裝置

本發明係與睡眠狀態判斷機制相關，並且尤其與自動判斷睡眠狀態的方法及裝置相關。

在多數人的一生中，睡眠佔據了將近三分之一的時間。然而，有許多人長期受到睡眠相關問題(例如失眠症或阻塞性睡眠呼吸暫停)的困擾，以致整體生活品質大打折扣。如何正確評估受測者的睡眠狀態，進而尋求能有效改善睡眠品質的方案，在醫學工程領域是長期受到關注的議題。

現有的睡眠狀態判斷方法大多是在受測者入睡後量測其腦波圖(electroencephalogram,EEG)、眼動圖(electrooculogram,EOG)及肌動電流圖(electromyogram,EMG)，並將記錄下來的結果交由專家以人工辨識評估，根據每一段量測期間(例如以30秒為單位)所得之生理訊號判斷受測者在該量測期間內的睡眠狀態。根據Rechtschaffen & Kales規則，睡眠狀態可區分為：清醒階段、非快速動眼階段(包含第一階段~第四階段)及快速動眼(rapid eye movement,REM)階段。近年來，第三階段和第四階段又被合稱為慢波睡眠(slow wave sleep,SWS)階段。

由於以專家人工評估睡眠狀態相當耗時耗力，目前亦存在自動判斷睡眠狀態的方法，利用儀器根據生理訊號中之α波、紡錘波或慢波的波形、頻譜、振幅...等特性以及Rechtschaffen & Kales規則來判斷受測者的睡眠狀態。不過這些自動判斷方法大多需要同時收集多種生理訊號做為判斷依據，因此必須在受測者身上安裝多個偵測裝置。如此一來，除了量測前的準備工作非常繁瑣，對受測者而言，無非是增添額外干擾，反而導致其睡眠品質下降。

此外，無論是根據一種或多種生理訊號判斷受測者的睡眠狀態，先前技術中皆存在無法明確區別第一階段和快速動眼階段的問題。

為解決上述問題，本發明提出用以一種用以判斷睡眠狀態的方法及裝置。根據本發明之判斷方法和判斷裝置利用多尺度熵(multi-scale entropy,MSE)來分析受測者的腦波訊號或眼動訊號，僅須量測單頻道生理訊號即可自動化判斷睡眠狀態，並已經過實驗證明可達到相當高的正確性。此外，藉由結合多尺度熵分析和自迴歸模型(autoregressive model)運算，根據本發明之判斷方法和判斷裝置可有效區別第一階段和快速動眼階段。

根據本發明之一具體實施例為一種睡眠狀態判斷方法，其中包含下列步驟：(a)取得受測者於一量測期間內之腦波訊號或眼動訊號；(b)針對該生理訊號進行多尺度熵分析，以產生複數個熵值；以及(c)根據該複數個熵值判斷該受測者於該量測期間內之睡眠狀態。

根據本發明之另一具體實施例為一睡眠狀態判斷裝置，其中包含一收集模組、一分析模組及一判斷模組。該收集模組係用以於一量測期間內取得受測者之生理訊號(腦波訊號或眼動訊號)。該分析模組係用以針對該生理訊號進行一多尺度熵分析，以產生複數個熵值。該判斷模組則係用以根據該複數個熵值判斷該受測者於該量測期間內之睡眠狀態。

由於根據本發明之判斷方法和判斷裝置可被設計為完全自動化運作，因此可省去大量以人工判讀訊號的時間及心力。此外，根據本發明之判斷方法和判斷裝置根據單一頻道的訊號即可產生判斷結果，可減低偵測裝置對受測者的干擾。關於本發明的優點與精神可以藉由以下發明詳述及所附圖式得到進一步的瞭解。

請參閱圖一，圖一為根據本發明之一具體實施例中的睡眠狀態判斷方法流程圖。步驟S12首先被執行，以取得受測者於一量測期間內之一生理訊號。該生理訊號可為腦波訊號或眼動訊號。實務上，多重睡眠電圖(polysomnographic,PSG)儀器可被用以量測並記錄步驟S12所需之一種或多種生理訊號，例如F3-A2腦波訊號、F4-A1腦波訊號、C3-A2腦波訊號、C4-A1腦波訊號、P3-A2腦波訊號、P4-A1腦波訊號、左眼眼動訊號、右眼眼動訊號等等。由於睡眠屬於腦部活動，離腦部越近的生理訊號愈能忠實反應睡眠狀態；一般而言，是腦波訊號優於眼動訊號，眼動訊號優於肌動電流，肌動電流又優於血氧容量。

步驟S14為針對該生理訊號進行多尺度熵分析，以得到複數個熵值。多尺度熵分析係根據對應於多個不同時間尺度τ的熵值來評估時間序列的複雜度。以下以樣本熵(sample entropy)為例解釋如何對生理訊號進行多尺度熵分析。

假設一腦波訊號被取樣後成為長度為N的時間序列{x ₁ ,...,x _N }。針對一尺度τ，此時間序列被分割為多個長度各自為τ的不重疊視窗(window)。將各視窗中的資料取平均值之後，尺度τ對應於一長度為N/τ的連貫粗量(coarse-grained)序列y _τ (j)，此連貫粗量序列中的元素就是各視窗中的資料平均值。各元素可表示為：

尺度τ所對應的連貫粗量序列Y _τ可表示為：

得到連貫粗量序列中的元素後，即可據此計算該連貫粗量序列的樣本熵，說明如下。

一個m維度的序列向量被定義如下：

μ^{( m )}(i)={y _τ(i)，y _τ(i+1),...,y _τ(i+m-1)}。(式三)

兩長度各為m點的向量μ ^{( m )} (i)和μ ^(m) (j)之間的距離被定義為：

參數r被定義為可接受的相似容忍度。若d(i,j)≦r，則兩向量μ ^(m) (i)和μ ^(m) (j)被判斷為相似。這兩個向量相似的機率可表示如下：

其中當d(i,j)≦r，ω _j =1，否則ω _j =0。

在式五中，j的範圍在1到(N/τ)取整數之間且不等於i。

依下列方程式可計算兩序列中有m個點相似的機率：

兩序列中有m+1個點相似的機率則是：

對樣本熵而言，在計算式六和式七時，i和j的範圍都是在1到(N/τ)取整數之間。尺度τ所對應的樣本熵為：

進行上述計算時可選定m=2且令r=0.15×SD(SD代表原始時間序列的標準差)。

在多尺度熵分析中，每一尺度τ所對應的樣本熵會被計算出來。步驟S14所進行的多尺度熵分析可涵蓋尺度範圍1~20，但不以此為限。

隨後，步驟S16被執行，以根據該複數個熵值判斷受測者於該量測期間內的睡眠狀態。圖二(A)為實際採用上述方法實驗所得一受測者的多尺度熵分析圖例，橫軸為量測期間的編號(依時間順序排列)，縱軸為尺度，圖中不同的顏色表示樣本熵的大小。舉例而言，若圖中對應於第100個量測期間及尺度τ等於3的點為亮藍色，表示根據第100個量測期間內測得之生理訊號的多尺度熵分析得出尺度3的樣本熵等於0.8。於此範例中，步驟S14所進行的多尺度熵分析之尺度範圍為1~20，因此每一個量測期間都對應於20個樣本熵。圖二(B)為進一步整理圖二(A)之分析結果的圖例，其橫軸同樣是量測期間的編號，縱軸則是每個量測期間所對應的20個樣本熵之平均值大小。

圖二(C)是請專家根據Rechtschaffen & Kales規則以人工分析同一生理訊號的評估結果，橫軸是量測期間的編號，縱軸是五種睡眠狀態，由上到下(亦為由淺到深)依序為清醒階段Wake、快速動眼階段REM、非快速動眼第一階段S1、非快速動眼第二階段S2以及慢波睡眠階段SWS。圖二(C)係用以做為圖二(B)的對照組，比較兩圖可看出各量測期間之樣本熵平均值大小和睡眠階段的深淺有相當高的相關性，其相關係數高達0.7628。由此可知，步驟S16可包含根據複數個熵值的平均值判斷睡眠狀態。

圖三為來自20位受測者之分析結果的統計圖例，其橫軸為尺度，縱軸是平均熵值。舉例而言，所有對應於尺度5且被根據本發明之判斷方法判定為SWS階段的平均熵值再被取平均後，即得出圖中最下方SWS曲線上對應於尺度5的點；各點上下方以工字型標示的範圍表示標準差。由圖三可看出：(1)各種睡眠階段的熵值大致上都會隨著尺度的上升而增加；(2)對各個尺度來說，熵值和睡眠深度皆為負相關，由清醒階段Wake到熟睡階段SWS之熵值呈現單調性(monotonically)降低；(3)S1階段和REM階段的曲線重疊性很高；(4)尺度大於13後，各階段的曲線都趨於平緩。由圖三亦可看出，在尺度1-8和尺度20，除了S1和REM之外，任兩階段間的熵值皆大不相同；在尺度9-19之間，則是所有兩階段間的熵值皆大不相同。根據上述幾點觀察結果，步驟S14所進行的多尺度熵分析可被限縮為僅涵蓋尺度範圍1~13，但不以此為限。

須說明的是，圖二(A)、圖二(B)及圖三所呈現的實驗結果皆係根據受測者的單頻道C3-A2腦波訊號產生。由此可看出，利用根據本發明的判斷方法，在只量測單一種生理訊號的情況下即可得到相當良好的判斷效果。若將步驟S12所取得之生理訊號替換為眼動訊號，也可以得到類似的實驗結果。

於另一實施例中，上述判斷方法進一步包含一自迴歸模型(autoregressive model)運算程序，以提高對S1階段和REM階段的鑑別度。請參閱圖四，本實施例中的步驟S12和步驟S14與圖一所示者相同，因此不再贅述。如圖四所示，在執行步驟S14的同時，可執行步驟S18，對同一生理訊號進行一自迴歸模型運算程序，以產生複數個自迴歸係數。自迴歸模型是一種用以描述穩態時間序列的參數模型，其模型參數可被用以決定腦波狀態。在自迴歸模型中，現有信號x(t)被表示為其先前值x(t-i)及一不相關錯誤ε(t)的權重總和，表示如下：

其中a(i)為自迴歸係數，而p為自迴歸模型的級數。實務上，步驟S18於進行自迴歸模型運算程序時可採用級數為八並產生八個自迴歸係數。關於自迴歸模型的詳細說明可參考2003年Olbrich等人於Neurocomputing發表的論文「Dynamics of human sleep EEG.」、2004年Thakor等人於Annu. Rev. Biomed. Eng.發表的論文「Advances in quantitative electroencephalogram analysis methods」，及2007年Berthomier等人於Sleep發表的論文「Automatic analysis of single-channel sleep EEG: validation in healthy individuals」。

步驟S20是根據步驟S14所得的複數個熵值及步驟S18所得的複數個自迴歸係數判斷睡眠狀態。於本實施例中，步驟S20係以步驟S18產生的八個自迴歸係數和步驟S14產生的十三個熵值(對應於尺度1-13)作為判斷睡眠狀態的依據，但不以此為限。易言之，每段量測期間各自有二十一個用以判斷睡眠狀態的特徵。

於根據本發明之一實施例中，步驟S20為利用一線性判別分析(linear discriminant analysis,LDA)程序分析該等熵值及自迴歸係數以判斷睡眠狀態，也就是自前述五種睡眠階段中選擇最符合一量測期間之特徵的分類。關於線性判別分析的詳細說明可參考2004年Kuo等人於IEEE Trans. Geoscience and Remote Sensing發表的論文「Nonparametric weighted feature extraction for classification」及2008年Lin等人於EURASIP Journal on Applied Signal Processing發表的論文「Nonparametric single-trial EEG feature extraction and classification of driver's cognitive responses」。

圖五為根據本發明之睡眠狀態判斷方法的另一種詳細實施流程範例。相較於圖四，圖五所呈現的方法進一步包含一個減縮取樣步驟(S22)、兩個濾波步驟(S24、S26)和一個平滑化步驟(S28)，分述如下。

步驟S22為對該生理訊號進行一減縮取樣(down sampling)程序，以依需求調整後續運算的資料量。舉例而言，其取樣頻率可為256Hz，但不以此為限。

步驟S24係用以在多尺度熵分析之前，濾除生理訊號中的高頻雜訊。舉例而言，步驟S24可包含一帶通濾波程序，且其帶通頻段可大致為0.5Hz到30Hz，但不以此為限。

步驟S26則是將步驟S24產生的訊號再次過濾，產生適於自迴歸模型運算的訊號。舉例而言，步驟S26亦可包含一帶通濾波程序，且其帶通頻段可大致為4Hz到8Hz，但不以此為限。

睡眠階段由淺到深或由深到淺的變化通常都具有週期性和連續性。因此，在利用線性判別分析判定各量測期間的睡眠狀態之後，可利用這個特性及Rechtschaffen & Kales規則來修正其中某些被誤分類的分析結果。步驟S28即為根據一前後睡眠狀態選擇性地修正步驟S20得出的睡眠狀態。舉例而言，若步驟S20判定三個連續的量測期間之睡眠狀態分別為第二階段、快速動眼階段、第二階段，則其中的快速動眼階段很有可能是誤判，因此可在步驟S28中將此快速動眼階段修正為第二階段。

圖六所示之混淆矩陣(confusion matrix)係用以比較利用上述自動判斷方法所得的實驗結果與人工判讀結果。這次實驗中接受評估的總共有8480個量測期間，且不考慮自迴歸係數，僅以多尺度熵產生的熵值為判斷依據(尺度1-13)。由圖六可看出兩種方式之判斷結果為相同或不同的量測期間個數。舉例而言，自動判斷方法和專家都評定為第二階段S2的量測期間個數是3278個；被自動判斷方法評定為第二階段S2而被專家評定為清醒階段Wake的量測期間個數則是4個。平均而言，兩種方式之判斷結果的一致性是76.91%。對於清醒階段Wake、慢波睡眠階段SWS和快速動眼階段REM，兩種方式之判斷結果的一致性皆高於84%。

圖七係繪示採用不同尺度個數之多尺度熵分析時，針對各個睡眠階段之自動判斷方法與人工判讀的平均一致性。這六個圖的橫軸為採用的尺度個數，縱軸為平均一致性(%)。由圖七可看出，根據本發明之判斷方法中的多尺度熵分析所採用之尺度個數達到13(亦即考慮尺度1-13)時，兩種方式的平均一致性趨於穩定。由圖七亦可看出，相較於單尺度熵分析，採用多尺度熵來分析睡眠狀態得到的平均一致性較高，也就是效果較佳。

圖八為另一混淆矩陣。在這次實驗中，根據本發明之判斷方法同時考量多尺度熵產生的熵值和自迴歸係數。更明確地說，本實驗針對每個量測期間，都採用十三個熵值和八個自迴歸係數做為線性判別分析的輸入信號。由圖八可看出，結合多尺度熵和自迴歸模型運算程序之後，根據本發明之判斷方法與人工判斷之判斷結果的平均一致性被提升為85.38%，且除了第一階段S1之外，其他階段的一致性都高於84%。

圖九為另一混淆矩陣。在這次實驗中，根據本發明之判斷方法係同時考量多尺度熵產生的熵值和自迴歸係數，並且加上如步驟S28的修正程序。由圖九可看出，加上修正程序之後，根據本發明之判斷方法與人工判斷之判斷結果的平均一致性被再次提升為88.11%，且除了第一階段S1之外，其他階段的一致性都高於86%。

根據本發明之另一實施例為如圖十(A)所示之睡眠狀態判斷裝置60，其中包含收集模組62、分析模組64及判斷模組66。收集模組62係用以於一量測期間內取得受測者之生理訊號(腦波訊號或眼動訊號)。分析模組64係用以針對該生理訊號進行一多尺度熵分析，以產生複數個熵值。判斷模組66則係用以根據該複數個熵值判斷該受測者於該量測期間內之睡眠狀態。先前介紹的圖一中之判斷方法可實現在睡眠狀態判斷裝置60，其實施細節可參照先前之說明，不再贅述。

圖十(B)係繪示睡眠狀態判斷裝置60進一步包含其他模組的詳細實施範例。減縮取樣模組63係用以對該生理訊號進行減縮取樣程序。第一濾波模組65A係用以對生理訊號進行帶通濾波程序，且其帶通頻段大致為0.5Hz到30Hz。第二濾波模組65B係用以對生理訊號進行另一帶通濾波程序，且其帶通頻段大致為4Hz到8Hz。自迴歸模組67係用以對生理訊號進行一自迴歸模型運算程序，以產生複數個自迴歸係數。修正模組68係用以根據一前後睡眠狀態選擇性地修正該睡眠狀態。該等模組的運作方式可參照先前與判斷方法相關的說明，不再贅述。

圖十一顯示針對各個睡眠階段，採用不同自迴歸模型級數時，自動判斷方法與人工判讀的平均一致性。這六個圖的橫軸為自迴歸模型級數，縱軸為平均一致性(%)。本實驗分別利用自迴歸模型級數5到20對生理訊號進行分析，分別配合利用多尺度熵分析得到的十三個熵值做為判斷睡眠狀態的依據。若將各種睡眠階段的一致性取平均值，可發現自迴歸模型級數為8時的平均值最高，亦即判斷效果最佳。

圖十二(A)為請專家根據Rechtschaffen & Kales規則以人工分析一腦波訊號的睡眠狀態評估結果範例，其橫軸為時間(以小時計)，縱軸為五種睡眠階段。圖十二(B)及圖十二(C)為利用根據本發明之判斷方法評估同一腦波訊號所得到的結果範例；兩圖的差別在於圖十二(B)的實驗未加入修正程序。比較這三個圖可看出，加入修正程序後的實驗結果和人工判讀的結果相似性相當高。易言之，採用根據本發明之判斷方法和判斷裝置確實可以達到良好的判斷效果。

圖十三(A)為請專家根據Rechtschaffen & Kales規則以人工分析一眼動訊號的睡眠狀態評估結果範例，其橫軸為時間，縱軸為五種睡眠階段。圖十三(B)及圖十三(C)為利用根據本發明之判斷方法評估同一眼動訊號所得到的結果範例；兩圖的差別在於圖十三(B)的實驗未加入修正程序。由這三個圖可看出，將根據本發明之判斷方法和判斷裝置應用於分析眼動訊號也可以達到良好的判斷效果。

綜上所述，根據本發明之判斷方法和判斷裝置係利用多尺度熵來分析受測者的腦波訊號或眼動訊號，僅須量測單頻道生理訊號即可自動化判斷睡眠狀態，並已經過實驗證明可達到相當高的正確性。此外，藉由結合多尺度熵分析和自迴歸模型運算，根據本發明之判斷方法和判斷裝置可有效區別第一階段和快速動眼階段。由於根據本發明之判斷方法和判斷裝置可被設計為完全自動化運作，因此可省去大量以人工判讀訊號的時間及心力。此外，根據本發明之判斷方法和判斷裝置根據單一頻道的訊號即可產生判斷結果，可減低偵測裝置對受測者的干擾。

藉由以上較佳具體實施例之詳述，係希望能更加清楚描述本發明之特徵與精神，而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。

S12~S28．．．流程步驟

60．．．睡眠狀態判斷裝置

62．．．收集模組

63．．．減縮取樣模組

64．．．分析模組

65A．．．第一濾波模組

65B．．．第二濾波模組65B

66．．．判斷模組

67．．．自迴歸模組

68．．．修正模組

圖一、圖四、圖五為根據本發明之具體實施例中之睡眠狀態判斷方法流程圖。

圖二(A)~圖二(C)為採用根據本發明之方法實驗及以專家人工判斷所得的分析結果圖例。

圖三為來自20位受測者之分析結果的統計圖例。

圖六、圖八、圖九為比較根據本發明之方法實驗及以專家人工判斷所得的分析結果之混淆矩陣。

圖七係繪示採用不同尺度個數之多尺度熵分析時，針對各個睡眠階段之自動判斷方法與人工判讀的平均一致性。

圖十(A)及圖十(B)為根據本發明之一具體實施例中之睡眠狀態判斷裝置方塊圖。

圖十一顯示針對各個睡眠階段，採用不同自迴歸模型級數時，自動判斷方法與人工判讀的平均一致性。

圖十二(A)~圖十二(C)及圖十三(A)~圖十三(C)為以根據本發明之方法實驗及以專家人工判斷所得的分析結果範例。

S12~S16．．．流程步驟

Claims (20)

1. 一種睡眠狀態判斷方法，包含：(a)取得一受測者於一量測期間內之一生理訊號，其中該生理訊號為一腦波訊號或一眼動訊號；(b)針對該生理訊號進行一多尺度熵分析，以產生複數個熵值；以及(c)根據該複數個熵值判斷該受測者於該量測期間內之一睡眠狀態。
2. 如申請專利範圍第1項所述之睡眠狀態判斷方法，該方法於步驟(a)和步驟(b)之間進一步包含：對該生理訊號進行一減縮取樣程序及一帶通濾波程序，且其帶通頻段大致為0.5赫茲到30赫茲。
3. 如申請專利範圍第1項所述之睡眠狀態判斷方法，其中步驟(c)包含根據該複數個熵值之一平均值判斷該睡眠狀態。
4. 如申請專利範圍第1項所述之睡眠狀態判斷方法，其中該複數個熵值各自對應於該多尺度熵分析中所採用之一尺度，且該尺度之範圍為1到13。
5. 如申請專利範圍第1項所述之睡眠狀態判斷方法，其中該生理訊號為一C3-A2腦波訊號。
6. 如申請專利範圍第1項所述之睡眠狀態判斷方法，該方法於步驟(a)和步驟(c)之間進一步包含：(d)對該生理訊號進行一自迴歸模型運算程序，以產生複數個自迴歸係數；其中步驟(c)包含根據該複數個熵值及該複數個自迴歸係數判斷該睡眠狀態。
7. 如申請專利範圍第6項所述之睡眠狀態判斷方法，其中該自迴歸模型運算程序之級數為八並且產生八個自迴歸係數。
8. 如申請專利範圍第6項所述之睡眠狀態判斷方法，該方法於步驟(a)和步驟(d)之間進一步包含：對該生理訊號進行一帶通濾波程序，且其帶通頻段大致為4赫茲到8赫茲；其中步驟(d)係針對該過濾後生理訊號進行該自迴歸模型運算程序。
9. 如申請專利範圍第6項所述之睡眠狀態判斷方法，其中步驟(c)包含利用一線性判別分析程序分析該等熵值及該等自迴歸係數，以判斷該睡眠狀態。
10. 如申請專利範圍第1項所述之睡眠狀態判斷方法，該方法於步驟(c)之後進一步包含：根據一前後睡眠狀態選擇性地修正該睡眠狀態。
11. 一種睡眠狀態判斷裝置，包含：一收集模組，用以於一量測期間內取得一受測者之一生理訊號，其中該生理訊號為一腦波訊號或一眼動訊號；一分析模組，用以針對該生理訊號進行一多尺度熵分析，以產生複數個熵值；以及一判斷模組，用以根據該複數個熵值判斷該受測者於該量測期間內之一睡眠狀態。
12. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，該裝置進一步包含：一減縮取樣模組，用以對該生理訊號進行一減縮取樣程序；以及一第一濾波模組，用以對該生理訊號進行一帶通濾波程序，且其帶通頻段大致為0.5赫茲到30赫茲；其中該分析模組係針對經過該減縮取樣程序及該濾波程序之該生理訊號進行該多尺度熵分析。
13. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，其中該判斷模組係根據該複數個熵值之一平均值判斷該睡眠狀態。
14. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，其中該複數個熵值各自對應於該多尺度熵分析中所採用之一尺度，且該尺度之範圍為1到13。
15. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，其中該生理訊號為一C3-A2腦波訊號。
16. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，該裝置進一步包含：一自迴歸模組，用以對該生理訊號進行一自迴歸模型運算程序，以產生複數個自迴歸係數；其中該判斷模組係根據該複數個熵值及該複數個自迴歸係數判斷該睡眠狀態。
17. 如申請專利範圍第16項所述之睡眠狀態判斷裝置，其中該自迴歸模型運算程序之級數為八並且產生八個自迴歸係數。
18. 如申請專利範圍第16項所述之睡眠狀態判斷裝置，該裝置進一步包含：一第二濾波模組，用以對該生理訊號進行一帶通濾波程序，且其帶通頻段大致為4赫茲到8赫茲；其中該自迴歸模組係針對該過濾後生理訊號進行該自迴歸模型運算程序。
19. 如申請專利範圍第16項所述之睡眠狀態判斷裝置，其中該判斷模組係利用一線性判別分析程序分析該等熵值及該等自迴歸係數，以判斷該睡眠狀態。
20. 如申請專利範圍第11項所述之睡眠狀態判斷裝置，該裝置進一步包含：一修正模組，用以根據一前後睡眠狀態選擇性地修正該睡眠狀態。