行政院國家科學委員會專題研究計畫 成果報告
使用整夜睡眠血氧資料偵測阻塞性睡眠呼吸中止症
計畫類別： 個別型計畫
計畫編號： NSC94-2614-E-110-001-
執行期間： 94 年 08 月 01 日至 95 年 07 月 31 日
執行單位： 國立中山大學機械與機電工程學系(所)
計畫主持人： 嚴成文
共同主持人： 杭良文
報告類型： 精簡報告
處理方式： 本計畫可公開查詢
中 華 民 國 95 年 10 月 25 日
行政院國家科學委員會專題研究計畫年度報告
題目：使用整夜睡眠血氧資料偵測阻塞性睡眠呼吸中止症
計畫編號：NSC93-2614-E-110-001
執行期限：94 年 8 月 1 日至 95 年 7 月 31 日
計畫主持人：嚴成文 教授 國立中山大學機械與機電工程學系
共同主持人：杭良文 醫師 中國醫藥大學附設醫院
中文摘要
國內目前有睡眠障礙人口劇增，研究顯示，在中年人口中，約有 4%的男性與 2%的女性
有睡眠呼吸暫止症狀（SAS）
，然而目前診斷睡眠呼吸暫止症的過程太過煩繁，使得睡眠呼吸
暫止症的診斷不易普及。本研究利用血氧飽和濃度訊號，提出兩個特徵，頻寬均值及變異數
均值，並與相關研究中常使用之三個特徵，搭配可直接取得之生理參數，年齡、BMI 及性別，
利用類神經網路進行睡眠呼吸障礙指數評估之比較，並針對傳統計算睡眠呼吸障礙指數不足
之處，提出新的睡眠呼吸障礙指數的計算方式。
以血氧飽和濃度評估睡眠呼吸障礙指數，目前可得最佳精度為 92.93%，此時 sensitivity
為 94.54%, specificity 為 91.98%。
關鍵詞
關鍵詞
關鍵詞
關鍵詞：睡眠呼吸暫止症，睡眠呼吸多項生理監測儀，脈動血氧計，人工智慧。
Abstract
The obstructive sleep apnea (OSA) syndrome is a major health problem affecting 2 to 4% of
the middle-aged population. The gold standard for diagnosing OSA at present is to have the patient
undergo a sleep study, known as polysomnography (PSG). This process is time-consuming and
expensive to hinder its applicability. This work present two features, the mean of oximetry window
bandwidth and the mean of oximetry window variance, and three proposed features. Plus this work
try to combine those features with the clinical features, such as age, BMI and sex, to estimate the
respiratory disturbance index (RDI) by using signal processing technique and AI method. In
addition, this work present the modified RDI.
The classification accuracy based on OSA is 92.93%, and sensitivity is 94.54% and specificity
is 91.98%, respectively.
行政院國家科學委員會專題研究計畫成果報告
使用整夜睡眠血氧資料偵測阻塞性睡眠呼吸中止症
計畫編號：NSC94-2614-E-110-001
執行期限：94 年 8 月 1 日至 95 年 7 月 31 日
計畫主持人：嚴成文 教授 國立中山大學機械與機電工程學系
共同主持人：杭良文 醫師 中國醫藥大學附設醫院
1.
前言
前言
前言
前言
臨床上，睡眠呼吸暫止症（SAS）大
略分為二類，分別是阻塞性（OSA）及中
樞性（CSA）睡眠呼吸暫止症。一般人口
分佈中，約有
4%的中年男性與 2%的中年
女性患有
SAS[18][17]，其中高達 85%到
90%以上為阻塞性睡眠呼吸暫止症。睡眠
呼吸暫止症是指在睡眠的過程中引發的間
歇性呼吸中止，最常見的後遺症是神經精
神症及行為失調，再者是心臟血管呼吸方
面的疾病，日久造成注意力不集中，影響
日常生活品質[10]，圖 1 為睡眠呼吸暫止症
患者的睡眠週期圖。
目前用於診斷睡眠呼吸暫止症主要
為 睡 眠 呼 吸 多 項 生 理 監 測 儀
(Polysomnography, PSG)，利用整夜記錄的
多 重 生 理 訊 號 得 出 睡 眠 呼 吸 障 礙 指 數
(Respiratory Disturbance Index, RDI)，睡眠
呼吸障礙指數是指整夜記錄中單位小時內
發生呼吸暫止
(apnea)或淺呼吸(hypopnea)
的次數，臨床上若
RDI 值大於 5 時，即患
有睡眠呼吸暫止症。
由於利用
PSG 檢測既費時又花費相
當的人力物力，因此目前睡眠呼吸暫止症
的檢測尚無法普及化，然而由於睡眠中發
生呼吸暫止時通常會伴隨血氧飽和濃度的
下降(Oximeter Desaturation, OD)，因此已有
多項研究結果顯示，可利用血氧飽和濃度
訊號作為簡易篩選睡眠呼吸暫止症的工具
[6] [ 8]。
圖 圖 圖 圖 1. OSA 患者睡眠週期患者睡眠週期患者睡眠週期示意圖患者睡眠週期示意圖示意圖示意圖2.
實驗
實驗
實驗
實驗
2.1
資料來源
資料來源
資料來源
資料來源
資料庫由中國醫藥大學附設醫院的睡
眠實驗室提供，資料來源並沒有事先經過
醫師或專業技術員的篩選，記錄使用設備
為
polysomnographic system （ Alice4,
Healthdyne Technologies, Atlanta, Georgia,
USA）
，其中血氧飽和濃度訊號取樣頻率為
1Hz，資料庫中資料分佈情況如表 1。
表 表表 表 1. Data base 病患的特徵資料病患的特徵資料病患的特徵資料病患的特徵資料 Mean(SD) Range Age(years) 41.70(13.41) 1-76 F/M 57/227 Height(cm) 165.75(11.25) 70-186 Weight(kg) 71.89(14.42) 8.4-115 Body mass index(㎏/m2) 25.96(4.15) 14-41.23進入睡眠狀態，頸部肌肉放鬆 打呼及氣道狹窄而後完全阻塞 呼吸停止，血氧下降，二氧化碳濃 度上升，病患在睡夢中掙扎著呼吸 心跳漸緩，腎上腺素分泌增加 刺激病人醒來（或不完全清醒） 喉部肌肉收縮，氣道打開、呼吸通 暢、氧氣及二氧化碳回復正常值
2.2
資料前處理
資料前處理
資料前處理
資料前處理
由於量測得的血氧飽和濃度含有許多
不必要的雜訊(Artifacts)，因此採用了三個
步驟以消除血氧飽和濃度中的雜訊。
1)
為避免患者睡眠時間過短，影響血氧飽和
濃度與睡眠呼吸暫止症間關係，因此將整
夜記錄時間小於
3 小時的患者去除。 2)際
臨床上由於病患某個移動動作造成脈動血
氧計的偵測探頭沒有貼緊量測部位或手指
的溫度降低，造成偵測探頭的量測不準，
因此造成部分患者的血氧飽和濃度具有低
至
0 或高於 100 的記錄，由於有時出現此
情況的時間較長，並不適用數位濾波器，
目前將血氧飽和濃度低於
50 及高於 100 的
資料直接去除。 3) 血氧飽和濃度為一低
頻生理訊號，就臨床上並不會出現快速變
化的情形，然在實際資料庫中卻會出現在
相鄰血氧飽和濃度變化相當大的情況，由
於目前相關研究中均以血氧飽和濃度降低
3%或 4%為可能發生睡眠呼吸中止事件的
指標，因此將與前後相鄰兩血氧飽和濃度
差均大於
4%的資料點以前 1 秒鐘的血氧飽
和濃度取代，如式(1)、(2)所示，y 表血氧
飽和濃度，k 為資料點指標。
If y[k+1]−y[k]>4 and y[k+2]−y[k+1]>4 (1) Then y[k+1]=y[k] (2)2.3
特徵
特徵
特徵
特徵
雖然在資料前處理時，進行了部分消
除雜訊的動作，然而為再降低雜訊的影
響，將以移動視窗的方式，以每
30 秒為 1
視窗，每次重疊
29 秒，取出下一視窗，分
別找出該視窗特徵值，最後再以所有視窗
的平均值為該患者的特徵值，如圖
2。
發生睡眠呼吸中止時，常會伴隨著血氧
飽和濃度的下降，且愈是嚴重的患者，通
常其下降的變化率及頻率也愈高，因此本
研究將以血氧飽和濃度的變異數為使用特
徵，且有相關研究中提及，當發生睡眠呼
吸中止時，其血氧飽和濃度的頻譜能量將
有所變化，因此本研究以頻域下包含
95%
能量時的頻率為頻寬，以此頻寬為使用特
徵，
1 2 σ N 2 σ 2 2 σ 圖 圖 圖 圖 2. 取出視窗特徵示意圖取出視窗特徵示意圖取出視窗特徵示意圖取出視窗特徵示意圖相關研究常用的特徵有
ODI3、ODI4
及△index[11]，所謂△index，為 Magalang
等人提出以整夜記錄中每
12 秒視窗中血氧
飽和濃度差值絶對值之平均。而
ODI3、
ODI4 則為整夜記錄中單位小時內發生血
氧飽和濃度下降
3%及 4%之次數。因此在
本研究中將會比較此三個特徵與本研究提
出之兩特徵，圖
3~7 為本研究使用之特徵
變數與
RDI 的關係圖，圖中黑色線為兩者
間一階線性迴歸圖。
表 表 表 表 2. 使用特徵整理使用特徵整理使用特徵整理使用特徵整理 特徵 特徵說明 V 血氧飽和濃度變異數均值 B 血氧飽和濃度頻寬均值 △index 血氧飽和濃度特徵△index ODI3 血氧飽和濃度單位小時下降 3%的次數 ODI4 血氧飽和濃度單位小時下降 4%的次數 0 5 10 15 20 25 30 35 40 45 50 0 20 40 60 80 100 120 140 160 180 血血血血血血血血血血血 R D I Correlation = 0.63357 圖 圖圖 圖 3 血氧飽和濃度變異數均值與血氧飽和濃度變異數均值與血氧飽和濃度變異數均值與血氧飽和濃度變異數均值與 RDI 相關係數相關係數相關係數 相關係數0.0580 0.059 0.06 0.061 0.062 0.063 0.064 0.065 0.066 20 40 60 80 100 120 140 160 血血血血血血血血血血 R D I Correlation = 0.80862 圖 圖 圖 圖 4 血氧飽和濃度頻寬均值與血氧飽和濃度頻寬均值與血氧飽和濃度頻寬均值與血氧飽和濃度頻寬均值與 RDI 相關係數相關係數相關係數相關係數 0 500 1000 1500 0 20 40 60 80 100 120 ODI3 R D I Correlation = 0.82907 圖 圖圖 圖 5 ODI3 與與與與 RDI 相關係數相關係數相關係數相關係數 0 200 400 600 800 1000 1200 1400 0 20 40 60 80 100 120 ODI4 R D I Correlation = 0.79682 圖 圖圖 圖 6 ODI4 與與與與 RDI 相關係數相關係數相關係數相關係數 0 1 2 3 4 5 6 7 8 9 10 0 50 100 150 Delta index R D I Correlation = 0.79786 圖 圖 圖 圖 7
△
△
△
△index
與與與 RDI 相關係數與 相關係數相關係數 相關係數2.4
RDI 與
與
與
與 modified RDI (mRDI)
臨床上將
RDI 值大於 5 時，判定患有
睡眠呼吸暫止症，依程度差異，RDI 值大
於
5 和小於 15 時為輕度患者，RDI 值大於
15 和小於 30 時為中度患者，而 RDI 值大
於
30 以上為重度患者。RDI 值的計算為單
位小時內發生呼吸暫止或淺呼吸的次數，
臨床上定義呼吸暫止為呼吸氣流的振幅減
少至
20%以下歷時 10 秒或 10 秒以上的現
象 ， 淺 呼 吸 為 呼 吸 氣 流 的 振 幅 減 少 至
20%~50%，可能同時合併有血氧飽和濃度
下降或短暫覺醒，其時間長達十秒或十秒
以上的現象。就臨床上而言，兩者並非完
全相同之生理反應，然而目前判定睡眠呼
吸暫止症程度的指標卻是將兩者視為相
同，計算上雖是不同生理現象，卻有相同
的加權值。也就是在相同睡眠長度下，發
生呼吸暫止和淺呼吸的總合若相同，就會
得到相同的
RDI 值，如此將沒有考慮兩者
的差異，圖
8、 9 為資料庫中患者呼吸暫
止及淺呼吸和
RDI 間的關係圖。
0 10 20 30 40 50 60 70 80 90 0 20 40 60 80 100 120 Apnea Index R D I correlation coefficient = 0.8816 圖 圖 圖 圖 8. 資料庫中資料庫中資料庫中資料庫中，，，患者其，患者其患者其 apnea index (單位小時內患者其 單位小時內單位小時內單位小時內 發生 發生 發生 發生 apnea 的次數的次數的次數的次數)與與與與 RDI 關係圖關係圖關係圖關係圖，，，，由其相關係數由其相關係數由其相關係數由其相關係數 可知兩者間相關性相當高 可知兩者間相關性相當高 可知兩者間相關性相當高 可知兩者間相關性相當高。。。。 0 10 20 30 40 50 60 70 0 20 40 60 80 100 120 correlation coefficient = 0.4384 Hypopnea Index R D I 圖 圖圖 圖 9. 資料庫中資料庫中資料庫中資料庫中，，，，患者其患者其患者其患者其 hypopnea index(單位單位單位單位由圖可以發現資料庫中，呼吸暫止和
RDI 值間俱有較佳的相關係，而淺呼吸與
RDI 的關係性較差，其原因主要來於當 RDI
大於
30 時，淺呼吸發生的頻率較沒有規律
性，因此本研究提出新指標
modified RDI
(mRDI)，給予淺呼吸不同的加權值，原始
RDI 值計算如(3)式、mRDI 值計算如(4)所
示。
本研究將取淺呼吸加權值 c 由 0~1，每
次間隔
0.1 共 11 種情況，也就是當 c=0 時
為完全不考慮淺呼吸的影響，當
c=1 時為
原始
RDI。
(hours) time sleep total ) counts Hypopnea counts (Apnea RDI= + (3) (hours) time sleep total ) counts Hypopnea * c counts (Apnea mRDI= + (4)利用類神經網路訓練時，訓練資料需為
已知類別，因此本研究以
RDI 值 30 為門
檻，以
RDI 小於 30 為一類別，RDI 大於
30 為另一類別，然而目前並定義 mRDI 的
門檻值以區分兩類別，因此在本研究中，
利用
RDI 值兩類別之分佈情況，在不同加
權值下將
mRDI 值由小至大排序，以原始
RDI 兩類別資料筆數比例作為區分 mRDI
兩類別的門檻值，如圖
10 所示，因此在固
定兩類別資料筆數的情況下，不同的加權
值將有不同的
mRDI 門檻值。由於使用特
徵值的級別(scale)差別太大，為避免類神經
網路遷就其中一特徵，因此需將特徵正規
化。之後利用類神經網路進行訓練及測
試，本研究是以
10 個 MLP 組成委員會機
器
(committee machine) 為 類 神 經 網 路 架
構，委員會組成的方式以每個委員的輸出
平均值組成(average committee)，實驗方法
為隨機將原始資料以
8:1:1 的比例區分為
訓練資料、驗證資料及測試資料，依此設
定共實驗
1000 次，相關參數如表 3。
圖
11 為 5 個特徵分別在不同 c 值下測
試
1000 次結果的平均值，由結果可以看出
本研究提出之頻寬均值特徵俱有較高的分
類精度，且隨著
c 值的變化，當 c 等於 0.5
時 俱 有 最 高 分 類 精 度
92.66% ， 此 時
sensitivity 為 94.99%, specificity 為 90.32%。
表 表 表 表 3. 類神經網路參數值類神經網路參數值類神經網路參數值類神經網路參數值 參數 數值 資料分群 訓練資料 : 80% 驗證資料 : 10% 測試資料 : 10% NN type MLP Learning Rate 0.0079Early Stop Type w1*Training accuracy
+ w2*Validation accuracy Early Stop Epoch 50
Epoch 1000 委員會機器成員數 10 委員會機器種類 Averaging Committee 實驗次數 1000 次
Number)
Validation
Number
(Training
Number
Training.
1+
=
w
Number)
Validation
Number
(Training
Number
.
Validation
2+
=
w
圖 圖 圖 圖 10. mRDI 利用原始利用原始利用原始利用原始 RDI 值資料比例值資料比例值資料比例區分兩類別值資料比例區分兩類別區分兩類別區分兩類別 流程圖 流程圖流程圖 流程圖75 80 85 90 95 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 mRDI coefficient A cc ur ac y (% ) V B Delta ODI3 ODI4 圖 圖圖 圖 11. 使用的使用的使用的使用的 5 個特徵在不同個特徵在不同個特徵在不同個特徵在不同 c 值下值下值下值下，，，，類神經網路類神經網路類神經網路類神經網路 1000次測試平均值次測試平均值，次測試平均值次測試平均值，，其中頻寬均值，其中頻寬均值、其中頻寬均值其中頻寬均值、、、變異數均值及變異數均值及變異數均值及變異數均值及 delta index結果相似結果相似，結果相似結果相似，，，而而 ODI3 及而而 及及及 ODI4 結果較差結果較差結果較差。結果較差。。。
前文中提及研究顯示在中年人口中患
有睡眠呼吸暫止症的男女人口分佈上有所
不同，且通常易出現在較為肥胖的患者身
上，因此，將俱有較佳分類結果之特徵-頻
寬均值搭配可輕易取得之生理參數，年
齡、BMI 及性別，再次進行類神經網路之
訓練、測試，圖
12 為 1000 次測試平均結
果，由圖可發現，在各組特徵組合中，頻
寬均值與
BMI 可得最佳分類精度在 c 等於
0.4 時為 92.93%，此時 sensitivity 為 94.54%,
specificity 為 91.98%，若與單一維度結果進
行比較，在本資料庫中，搭配另三個生理
訊號並無法有效地提高類神經網路的分類
精度，猜測原因是目前資料庫來源為睡眠
檢查室，其中患有睡眠呼吸暫止症的患者
(RDI 值大於 5)高達 94%，因此加入其他生
理訊號並無法有效提高其鑑別度，且各特
徵組合其分類結果隨著
c 值變化趨勢亦大
致相似，均在
c 等於 0.4~0.6 時，俱有較佳
的分類精度。
87 88 89 90 91 92 93 94 0 0.2 0.4 0.6 0.8 1 mRDI coefficient Te sti ng A cc ur ac y( % ) V B (V B) (B BMI) (B Age) (B BMI Age) (B BMI Sex) (B Age Sex) (B BMI Age Sex)圖 圖圖 圖 12. 提出之特徵與可輕易取得到生理參數搭配之提出之特徵與可輕易取得到生理參數搭配之提出之特徵與可輕易取得到生理參數搭配之提出之特徵與可輕易取得到生理參數搭配之 類神經 類神經類神經 類神經 1000 次次次次測試平均值測試平均值測試平均值測試平均值，，，，各特徵組合趨勢相似各特徵組合趨勢相似各特徵組合趨勢相似各特徵組合趨勢相似，，，， 最佳精度為頻寬均值和 最佳精度為頻寬均值和最佳精度為頻寬均值和 最佳精度為頻寬均值和 BMI 組合為組合為組合為組合為 92.93%
確率
0，分類正確率低於 50%及分類正確
率
100%，圖 13、14、15 為三組資料的 RDI
分佈圖。分類正確率
100%資料並無明顯趨
勢，其趨勢與原始資料庫相似，而分類正
確率為
0 與低於 50%的資料分佈，則以
RDI30 呈高斯分佈，其理由為目前本研究
是以
RDI30 區分二類別，對於具重疊性的
資料，類神經網路在決策邊界附近並無良
好的分類效果，
15 20 25 30 35 40 45 50 55 0 1 2 3 4 百百百百百百百百 histogram RDI 圖 圖 圖 圖 13. 當使用特徵為頻寬均當使用特徵為頻寬均值當使用特徵為頻寬均當使用特徵為頻寬均值值，值，，且，且 c 值等於且且 值等於值等於值等於 1 时时时时，，，， 分類正確率 分類正確率 分類正確率 分類正確率 0%之資料之資料之資料之資料，，，以，以以以 RDI 值值值值 30 呈高斯分佈呈高斯分佈呈高斯分佈呈高斯分佈 10 15 20 25 30 35 40 45 0 1 2 百百百百分 50%以以以以 histogram RDI 圖 圖 圖 圖 14. 當使用特徵為頻寬均當使用特徵為頻寬均值當使用特徵為頻寬均當使用特徵為頻寬均值值，值，，且，且 c 值等於且且 值等於值等於值等於 1 时时时时，，，， 分類正確率低於 分類正確率低於分類正確率低於 分類正確率低於 50%之資料之資料之資料之資料，，，，約以約以約以 RDI 值約以 值值值 30 呈高呈高呈高呈高 斯分佈 斯分佈斯分佈 斯分佈 0 20 40 60 80 100 120 0 5 10 15 20 25 30 百百百百百百百百 histogram RDI3.
結論
結論
結論
結論
本研究首先利用血氧飽和濃度，利用
提出的
2 個特徵變數，與文獻上常使用的 3
個特徵變數，搭配可直接取得之生理參數
如年齡、BMI 及性別，利用類神經網路進
行睡眠呼吸障礙指數評估之比較，
並針對傳統計算睡眠呼吸障礙指數不足之
處，提出新的睡眠呼吸障礙指數的計算方
式。
由於目前使用的資枓庫並未事前篩
選，因此其中可能包含部分患者在記錄過
程中受其他事件影響，或部分患者患有其
他會影響血氧飽和濃度的疾病，若經由醫
師或專業技術員的篩選相信正確率應可再
提高，使用應用的方面更廣。
參考文獻
參考文獻
參考文獻
參考文獻
[1] 李俊德, 1998, “氧合指數及其臨床意義”, 中華 民國呼吸護照簡訊, 第九卷第一期, 頁 46-50 [2] 劉勝義, 2004, 臨床睡眠檢查學, 合記圖書出版 社。[3] A. C. Nancy, 2001, “Scoring variability bwtween polysomnography technologists in different sleep laboratories,” Sleep Medicine, vol. 3, pp. 43-47 [4] B.L. Zhang, R. Coggins , M.A. Jabri, D. Dersch ,
and B. Flower, 2001, “Multiresolution forecasting for futures trading using wavelet decompositions,” IEEE Transactions on Neural
Network, vol. 12, NO. 4, pp. 765-775.
[5] G.K. Valerie, G.B. Shelly, W.F. Ward, and E.R. John, 2003, “Comparison of Home Oximetry Monitoring With Laboratory Polysomnography in Children,” Chest, vol. 124, pp. 1702-1708. [6] J.C. Vazques, W.H. Tsai, W.W. Flemons, A.
Masuda, R. Brant, E. Hajduk, W.A. Whitelaw, J.E. Remmers, 2000, “Automated analysis of digital oximetry in the diagnosis of obstructive sleep apnoea,” Thrax, vol. 55, pp. 302-307 [7] J Guerrero, A BentetÓ, E GÓmez, M Bataller, A
Rosado, P Rubio and J Espí, 2001, “Analysis of the Influence of EEG Arousals from Nocturnal Sleep on Heart Rate,” IEEE Computers in Cardiology, vol. 28. pp. 417-420
[8] J.M. Ulysses, D. Jacek , V. Sateesh , D. Azmi , M. Jeffery, E. Ali, and J.B.G. Brydon, 2003,
“Prediction of the Apnea-Hypopnea Index From Overnight Pulse Oximetry,” Chest, vol. 124, pp. 1694-1701.
[9] J. Vavrina, 1995, “Computer assisted pulse oximetry for detecting children with obstructive
sleep apnea syndrome,” Pediatric Otorhinolaryngol, vol. 33, pp. 239-248.
[10] K. Behbehani and F.C. Yen, 1995, “Automatic control of airway pressure for treatment of obstructive sleep panea,” IEEE Transactions on
Biomedical Engineering, vol. 42 , NO. 10, pp.
1007-1016.
[11] L. Paola and K.S. Virend , 2001, “Obstructive sleep apnea and vascular disease,” Respir Res, vol. 2, pp. 315-319.
[12] M. Atul and P.W. David, 2002, “Obstructive sleep apnoea,” Lancet, vol. 360, pp. 237-245. [13] M. Bonnet, D. Carley, M. Carskadon, P. Easton,
C. Guilleminault, R. Harper, B. Hayes, M. Hirshkowitz, K. Periklis, S. Keenan, M. Pressman, T. Roehrs, J. Smith, J. Walsh, S. Weber, and P. Westbrook. 1992, “EEG arousals: scoring rules and examples. A preliminary report from the Sleep Disorders Atlas Task Force of the American Sleep Disorders Association,” Sleep, vol.15, pp.173–184.
[14] P.C. Deegan and W.T. McNicholas, 1996, “Predictive value of clinical feature for the obstructive sleep apnea syndrome ,” European Respiratory Journal, vol. 9, pp. 117-124.
[15] P. Lavie, P Here, V. Hoffstein, 2000, “Obstructive sleep apnoea syndrome as a risk factor for hypertension,” BMJ, vol. 320, pp. 479-482.
[16] S.U. Michael, W. Judith, V.E. Volker, M.U. Pilar, S. Martin, and F.P. Christian, 2003, “Reference Values for Nocturnal Home Pulse Oximetry During Sleep in Primary School Children,” Chest, vol. 123, pp. 96-101.
[17] T. Penzel , 2000, “The apnea-ECG database,” in
Computers in Cardiology, Piscataway, NJ:IEEE,
vol. 27, pp. 255-258.
[18] T. Young, M. Palta, J. Dempsey, J. Skatrud, S. Weber, S. Badr, 1993, “The occurrence of sleep-disordered breathing among middle-aged adults,” N Engl J Med, vol. 328, pp. 1230-1235
