行政院國家科學委員會專題研究計畫 成果報告
偵測阻塞性睡眠中止症的心電圖分析系統
計畫類別： 個別型計畫 計畫編號： NSC93-2212-E-110-018- 執行期間： 93 年 08 月 01 日至 94 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 報告類型： 精簡報告 處理方式： 本計畫可公開查詢 中 華 民 國 94年10月12日行政院國家科學委員會專題研究計畫年度報告
題目：偵測阻塞性睡眠中止症的心電圖分析系統
計畫編號：NSC93-2212-E-110-018
執行期限：93 年 8 月 1 日至 94 年 7 月 31 日
主 持 人：嚴成文 教授 國立中山大學機械與機電工程學系
Email：
[email protected]
中文摘要
睡眠障礙的研究是近 20 年才漸被臨床醫學所注意，目前有睡眠障礙人口劇增，在中年人 口中，約有 4%的男性與 2%的女性有睡眠呼吸中止症狀（SAS），其中又有高達 85%到 90% 以上為阻塞性睡眠呼吸中止症（OSA）。阻塞性睡眠呼吸中止症是指在睡眠的過程中，因為呼 吸道阻塞而發生反覆性呼吸中止的情況。由於睡眠呼吸中止症後遺症會對人體造成精神及心 血管方面不良的影響，近年來已逐漸受到重視。目前診斷 OSA 所用的儀器主要多為睡眠呼吸 多項生理監測儀（Polysomnography, PSG），然而利用 PSG 診斷，卻有代價昂貴、過程煩覆、 睡眠檢查室不足以及耗費醫護人力資源等不利的因素，使得睡眠呼吸中止症的診斷不易普 及。本計畫承襲近來居家照護的概念，嘗試以現有且較為簡易、廉價的醫療器材，心電圖儀 及脈動血氧計，以心電圖訊號搭配血氧飽和濃度訊號，以心電圖訊號萃取出局部的特徵，而 以血氧飽和濃度萃取出全域的特徵，藉助訊號處理、特徵選取技術，配合類神經網路，建構 OSA 檢測系統，以降低軟硬體需求及檢測的時間與成本，並提高診斷精確度，期能大幅改善 OSA 診斷與治療的有效性與普及率，且更符合經濟效益。 本計畫目前以心電圖訊號檢測 OSA 分類精度可達 91.5743%，以血氧飽和濃度檢測 OSA 分類精度可達 87.35%，證實確有其可行性。 關鍵詞：睡眠呼吸中止症、心電圖、血氧飽和濃度，類神經網路Abstract
Sleeping disorders have received attention from the medical field only for about twenty years. About 5% of the general population has such symptom, and 90% of them suffers from obstructive sleep apnea (OSA). Caused by obstruction of the airway, people with OSA literally stop breathing repeatedly during their sleep. The linkage between OSA, decreased alertness during daytime and the problems has also drawn more attention for the OSA.
The primary method 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 and thus hinders its applicability.
To improve the quality and reduce the cost of medical care, developing a service platform between the hospital and patients at home is becoming an important global research direction. By using signal processing technique and AI method to analyze the overnight oxymeter and ECG signal, this project intends to develop a computerized method to automatically determine who are the suspected OSA patients and should thus be examined by PSG. It is hoped that this oxymeter and ECG-based method can be an effective tool for OSA patients screening and thus improve the availability of PSG to people who really need it.
The classification accuracy based on ECG is 91.5743% and based on oximeter is 87.35%. It proves that the idea in the proposal has feasibility.
行政院國家科學委員會專題研究計畫成果報告
偵測阻塞性睡眠中止症的心電圖分析系統
計畫編號：NSC93-2212-E-110-018
執行期限：93 年 8 月 1 日至 94 年 7 月 31 日
主持人：嚴成文 教授 國立中山大學機械與機電工程學系
一、源由與目的 臨床上，睡眠呼吸中止症（SAS）大略 分為三類，分別是阻塞性（OSA）、中樞性 （CSA）及混和性(MSA)，睡眠呼吸中止 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[Young et al., 1993; Penzel et al., 2000]，其中高達 85%到 90%以上為阻塞性睡眠呼吸中止症。睡眠呼 吸中止症是指在睡眠的過程中引發的間歇 性呼吸中止，患者睡眠週期如圖 1 所示。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[Behbehani et al., 1995]。過去診斷睡眠呼吸中止症的方 式多為侵入式量測，經常打斷睡眠，增加檢 測的困難。目前診斷睡眠呼吸中止症所用的 儀器主要多為睡眠呼吸多項生理監測儀，然 而睡眠診斷的研究卻也是昂貴而耗時的，因 為常需要藉助睡眠檢查室進行整夜甚至多 次整夜性的睡眠檢查與評估，才能完成治 療。因此目前具有代價昂貴、過程煩覆、睡 眠檢查室不足及耗費醫護人力資源等不利 的因素，基於上述因素的考量，如能使用相 對廉價且簡易操作的儀器，使病人能夠在居 家環境下，可自行取得量測資料，再經電腦 軟體自動分析是否需要進入睡眠醫學檢查 室利用睡眠呼吸多項生理監測儀進行完整 的診斷及治療，如此將可大幅的提高睡眠醫 學檢查室的使用效率，本研究計畫利用心電 圖與血氧飽和濃度訊號，發展檢測 OSA 系 統，流程圖如 2。 二、基礎知識與內容 由於血氧飽和濃度為一變化較緩慢之 生理訊號，而心電圖訊號為一變化較快速之 生理訊號，兩者包含的生理訊息及反應速度 不盡相同，因此本研究計畫利用心電圖訊號 萃取局部之特徵變數，而利用整夜血氧飽和 濃度萃取全域之特徵變數，並期望能利用此 二生理訊號建立一套 OSA 檢測系統。 2.1 心電圖學 心電圖就是心臟肌肉的電位傳導在心 電圖紙上所畫出的特殊形狀曲線，而曲線上 的波形、高低、段落則各代表心肌電位傳導 的方向、大小及時段[邱豔芬, 1998]。觀察 心臟的運作，會發現他是由心房心室去極化 與再極化所組成的一連串週期，透過量測兩 相鄰 R 波的間隔（RR-Interval），可以觀察 心臟的作動狀況。而欲獲得 RR-Interval 資 訊，必先準確的找出心電圖裡的 QRS 複合 波，換言之，偵測 QRS 波的準確與否，將 連帶影響到 RR-Interval 訊號資訊之正確性。 2.2 血氧飽和濃度 動脈血液中的血色素主要分為結氧分 子的氧化血色素(oxygenated hemoglobin)和 未結合氧分子的還原血色素(reduced hemoglobin)兩種型態，而血氧飽和濃度是 血液中，被氧結合的氧合血紅蛋白(HbO2) 的容量占全部可結合的血紅蛋白(Hb)容量 的百分比，即血液中血氧的濃度，是呼吸迴 圈的重要生理參數[李俊德, 1998]， 2.3 以心電圖訊號檢測 OSA 由於本研究計畫將利用心電圖訊號求 得局部的特徵，因此，需有記錄局部片段是 否發生 OSA 的資料庫，Physionet 和 Computer in Cardiology（CINC）在 2000 年 舉辦了一個以 ECG 為基礎，來偵測呼吸中 止狀況的挑戰賽。在挑戰比賽中，該組織提 供了 70 筆年齡由 27 歲至 63 歲的患者，夜間連續記錄長度約 8 小時的 ECG 訊號，這 70 筆資料經過 Standard Criteria 以及專家 （Thomas Penzel）的嚴格審視後，將每筆 資料以一分鐘為單位逐一標明哪些片段發 生 OSA，哪些片段正常呼吸。70 筆資料中 的 35 筆資料被釋出作為訓練資料，而剩餘 的 35 筆則保留當作測試資料。本研究之來 源資料即為該組織釋出之 35 筆資料及其相 關 OSA 標註。 本研究偵測 QRS 複合波的小波轉換技 術採用的是 Quadratic Spline Wavelet。有著 高聳尖銳波形的 QRS 波經由該小波轉換 後，會在多重解析度中呈現正負極值對的特 徵，得以用來偵測 QRS 波的位置，以進一 步獲得 RR-Interval 及 EDR 值等重要資訊。 呼吸所導致的人體表面起伏會影響 ECG 的量測，最明顯的便是隨著呼吸週期 的變化，心電圖產生基線上下飄移的情況。 為了消除該狀況，將原始 ECG 訊號經過兩 個中值濾波器處理[Chazal et. al., 2003]，首 先經過第一個 200-ms 的中值濾波器，該濾 波器目的在消除 QRS 波和 P 波，得訊號 S1。 再將 S1經過一個 600-ms 的中值濾波器，該 濾波器目的是訊號消除 S1的 T 波。如此得 到不包含 QRS 波、P 波和 T 波的基線飄移 訊號 S2。將原訊號經過位移和訊號 S2相減 就可以得到消除 ECG 訊號基線飄移的 EDR 訊號了。如圖 3 所示。而 EDR 值的計算方 式定義為：EDR 訊號在 QRS 偵測點（QRS Detection Point）之後的 100ms 時間範圍 內，曲線與基線（Baseline）包含的區域面 積值，如圖 4 所示。 大多數的特徵變數源自於順利偵測出 QRS 複合波之後，進一步得到 RR-Interval 以及 EDR 值，所衍生出的各項特徵資訊。 參考 Chazal 的作法，以一分鐘為基準單位， 從 RR-Interval 以及 EDR 值可能獲取的特徵 變數分別如下所示。 i. 由 RR-Interval 衍生的特徵變數： z RRInterval_Mean_S：以每分鐘為單位 的 RR-Interval 平均值。 z RRInterval_STD_S：以每分鐘為單位 的 RR-Interval 標準差。 z RRInterval_Mean_R：以每筆記錄為單 位的 RR-Interval 平均值。 z RRInterval_STD_R：以每筆記錄為單 位的 RR-Interval 標準差。 z NN50_1：相鄰的兩個 RR-Interval，前 者 RR-Interval 距 離 超 過 後 者 RR-Interval 距離 50 ms 一共有幾對的 數目。 z NN50_2：相鄰的兩個 RR-Interval，後 者 RR-Interval 距 離 超 過 前 者 RR-Interval 距離 50 ms 一共有幾對的 數目。 z PNN50_1 ： NN50_1 除 以 每 分 鐘 RR-Interval 的數目。 z PNN50_2 ： NN50_2 除 以 每 分 鐘 RR-Interval 的數目。 z SDSD ： 每 分 鐘 中 相 鄰 的 兩 個 RR-Interval 相減後所得的差值的標準 差。 z RMSSD ： 每 分 鐘 中 相 鄰 的 兩 個 RR-Interval 相減後所得的差值，其平 方和取平均後再開根號的值。 z Corr_Coef_01～05：RR-Interval 的前 五個 Correlation Coefficient 值。
z Allen Factor_05S～25S：Allen Factor
定 義 為 )} ( { 2 } )] ( -) ( {[ ) (T E N 1 T N T 2 E N T A = i+ i i 。其中 ) (T Ni 是指在第 i 分鐘內，時間視窗（T） 為 5 秒、10 秒、15 秒、20 秒與 25 秒 中 QRS 偵測到的點數。E 表示期望 值。因此每一分鐘共有五個特徵變 數，分別為 A(5S)、A(10S)、A(15S)、 A(20S)與 A(25S)。 z PSD_RRInterval_A_01 ～ 32 ：
RR-Interval 的 Power Spectral Density 計算方式為：將每一分鐘為單位的 RR-Interval 序 列 減 去 該 分 鐘 的 RR-Interval 平均值，得到 Zero Mean 的 RR-Interval 序列，接著將該序列補 零（Zero Padded）到長度變為 256 後 做快速傅立葉轉換（FFT），然後將轉 換後資料的大小取平方值，而得到長 度同樣為 256 的頻譜能量大小資訊。 我們只取前 128 個資料點(因為頻譜轉 換的對稱性)，之後將這 128 個資訊點 以相鄰的每四個點取一次平均值做為
代表，而得到最後的 32 點由低頻至高 頻 的 頻 譜 特 徵 變 數 ， 此 即 Power Spectral Density of RR-Interval。 ii. 由 EDR 值衍生的特徵變數： z EDR_Mean_S：一分鐘為單位的 EDR 平均值。 z EDR_STD_S：一分鐘為單位的 EDR 標準差。 z EDR_Mean_R ： 一 筆 記 錄 為 單 位 的 EDR 均值。 z EDR_STD_R：一筆記錄為單位的 EDR 均值。 z PSD_EDR_A_01～32：EDR 的 Power Spectral Density 計 算 方 式 與 PSD_RRInterval_A_01～32 相同，唯一 不同之處僅在於把每一分鐘為單位的 RR-Interval 序列改成以每一分鐘為單 位的 EDR 值序列。最後同樣可獲得 32 個由低頻至高頻的 EDR 頻譜特徵變 數。 除上述變數外，本研究考量新增部分特 徵變數。主要分為兩大類，其一為改良部分 Chazal 所提出之特徵而得的新特徵變數，其 二為自行開發的新特徵變數。本研究改良的 特徵變數主要為與 PSD 相關之變數。由於 此類變數各產生了 32 個，共 64 個頻域能量 特性的變數，成為本研究變數維度龐大的主 因。故構想從這 64 個變數降低解析度到 16 個特徵變數，即 PSD of RR-Interval 與 PSD of EDR 各 8 個特徵，亦即使用解析度較低 的頻域能量特性變數取代原先的 64 個特 徵。此外，由於 Chazal 所使用的特徵變數 多著重於 RR-Interval 與 EDR 值所衍生出的 特徵變數，卻忽略了 ECG 訊號中，與 QRS 波大小相關的特徵變數。考慮 OSA 發生過 程中造成的心跳力量有強弱之別，因此本研 究新增了許多與 R 波強弱大小相關的特徵 變數。新增與改良的特徵變數如下所示： z PSD_RRInterval_B_01～08：將 PSD_ RRInterval_A 中的特徵變數，每四項 取一個平均值，而把 32 個特徵變數濃 縮為 8 個。 z PSD_EDR_B_01～08：將 PSD_EDR_A 中的特徵變數，每四項取一個平均 值，而把 32 個特徵變數濃縮為 8 個。 z SDSD_N：正規化後的 SDSD。 z EDR_STD_N ： 正 規 化 後 的 EDR_STD。 z RMSSD_N：正規化後的 RMSSD。 z RRInterval_STD_N ： 將 RRInterval_STD 正規化後的訊號。 z R_Mag_Mean：R 波波峰值的平均值。 z R_Mag_diff_Mean：相鄰兩 R 波波峰 值相減後所得差值的平均值。 z R_Mag_STD：R 波波峰值的標準差。 z R_Mag_diff_STD：相鄰兩 R 波波峰值 相減後所得差值的標準差。 z R_Mag_STD_N ： 正 規 化 後 的 R_Mag_STD。 z R_Mag_diff_STD_N ： 將 R_Mag_diff 正規化後的訊號。 z PSD_R_Mag_01 ～ 16 ： R-Magnitude
的 Power Spectral Density 計算方式與 之前計算 PSD 的方式大致相同，將每 一分鐘為單位的 R 波波峰值序列減去 該分鐘的 R 波波峰值的平均值，而得 到 Zero Mean 的 R-Magnitude 序列，接 著將該資料序列補零到長度變為 128 後做快速傅立葉轉換（FFT），然後將 轉換後資料的大小取平方值，而得到 長度同樣為 128 的頻譜能量大小資 訊，我們只取前 64 個資料點，之後將 這 64 個資訊點以相鄰的每四個點取一 次平均值做為代表，而得到最後 16 點 由低頻至高頻的頻譜特徵變數。 為避免過多的輸入維度增加訓練學習 的負擔，故考慮透過特徵變數選取(Feature Selection)的技術，適當的篩選輸入訊號，找 出 與 期 望 輸 出 訊 號 關 聯 性 最 大 的 變 數 組 合，以建立輸入與輸出的最佳映射關係。常 見 的 特 徵 變 數 選 取 技 巧 有 Sequential Forward Selection （ SFS ） 與 Sequential Backward Selection（SBS）。SBS 與 SFS 均 能大幅降低特徵變數選取所花費的時間，但 兩者都有 Nesting Effect 的問題。在 SBS 中， 在高維度被刪掉的特徵變數，並不一定不會 出現在較低維度的真實最佳組合中。同理在
SFS 中，高維度找到的最佳特徵變數組合， 未必是從低維度的最佳組合發展而來。因此 本研究考慮使用 Sequential Floating Search Method（SFSM）[Pudil et.,1994]，結合 SBS 與 SFS 並降低 Nest Effect。SFSM 主要架構 如圖 6 所示，簡言之，每進行完一次 SFS， 找出 k 維的最佳組合之後，隨即進行一次 SBS，如果 SBS 找到的新 k-1 維組合之效果 比之前所找到的 k-1 維組合好，則以此新 k-1 維組合為基礎，繼續進行 SBS，反之則不繼 續進行 SBS，而以 SFS 之後所得的 k 維組 合繼續進行 SFS。 本研究採用的人工智慧分類技術是近 年來蓬勃發展的類神經網路，類神經網路採 用的是具有單一輸入層、單一隱藏層及單一 輸出層的 Multilayer Perceptron（MLP）。 此部分研究依序將實驗分為二部分：第 一部份說明經由特徵變數選取過程後所得 的實驗結果，以及被選出的特徵變數對實際 分類問題的效果評估；第二部分則根據選出 的 特 徵 變 數 集 合 透 過 與 Chazal 相 同 的 35-Fold Cross-Validation 實驗架構來比較彼 此的優劣。 I. 特徵變數選取實驗與結果： 本研究使用 SFSM 進行特徵變數選取， 在完全相同的演算規則（類神經網路架構、 計算 Criterion 的方式等…）以及參數設定 （隱藏層神經元個數、Learning Rate…）下 分別進行兩組實驗。其中組 A 的特徵變數 集合將比照 Chazal 所使用的 88 個特徵變 數。組 B 為加入本研究改良新增的 42 個特 徵變數，共 130 個特徵變數集合。兩組實驗 的目的皆是選出能有效提高分類精度的特 徵變數組合，以 30 維為上限。實驗結果如 表 1 與圖 5 所示。結果顯示，在相同的特徵 變數選取機制下，隨著選取的變數數目增 加，組 B 的分類精度上升曲線，明顯比組 A 佳。且組 B 被選入的 30 維特徵變數中，有 10 維（★號部分）為本研究改良新增的特 徵變數，佔了 33％。因此，本研究加入改 良新增的特徵變數群對於此分類問題的確 有明顯的效用。
II. 35-Fold Cross-Validation：
定義組 A 選出的特徵變數集合為 Old Feature Set，而組 B 選出的集合為 New
Feature Set，使用這兩組變數集合，進行與 Chazal 相同的 35-Fold Cross-Validation 實 驗。表 2 為 Chazal 的實驗結果。圖 6 為 Old Feature Set 與 New Feature Set 隨著選入特徵 維度的增加，由 10 維漸增至 30 維所得到的 分類精度曲線。結果顯示，使用與 Chazal 相同的特徵變數集合，配合 SFSM 選出的 Old Feature Set，搭配 MLP 進行交互驗證， 在 10 至 30 維之分類結果皆優於 Chazal 使 用 LD 與 QD 在 No Optimization、Feature Selection 與 Covariance Regularisation 情況 下的實驗結果。因此在相同的原始特徵集合 與驗證機制下，利用 MLP 搭配 SFSM 選出 的特徵變數所建構的分類器效能，明顯優於 Chazal 的實驗結果。觀察圖 6，經 SFSM 選 出的 New Feature Set，其交互驗證的分類精 度上升曲線，亦明顯比 Old Feature Set 的精 度上升曲線高。由此說明了加入新特徵變數 後所選取出來的 New Feature Set，配合 MLP，在相同的交互驗證機制下擁有較高的 分類效果。 2.4 以血氧飽和濃度訊號檢測 OSA 而利用血氧飽和濃度來求得整夜全域 特徵的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，將記錄不滿 3 小時的資料去除後，該 資料庫共有 303 人，資料內容如表 3 所示 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，因此本論文 將以血氧飽和濃度的變異數為使用特徵，為 降低雜訊的影響，將以移動平均數的方式， 以 30 秒為 1 視窗，每次重疊 29 秒，分別求 出該視窗的血氧飽和濃度變異數，最後再以 所有視窗的平均值及變異數為特徵值。 由於不同程度睡眠中止症患者計算出 的視窗變異數值分佈情況亦有不同，而偏態 係數 (Skewness)可用以量測資料對平均值 不對稱性的指標，因此，除了平均值及變異 數外，再以所有視窗變異數值的偏態係數為 另一輸入特徵。
有相關研究中提及[Zhang et al., 2001]，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，因此本論文 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，如同時域之特徵，此特 徵亦以移動平均數的方式，求出所有視窗頻 寬的平均值為特徵值。 Vázquezz 等人的研究中，提出以整夜 記錄中血氧飽和濃度出現上升時，前 3 秒鐘 血氧飽和濃度為連續下降，且此連續 3 秒下 降的血氧飽和濃度中，至少有 1 秒鐘的血氧 飽和濃度相對於血氧飽和濃度出現上升時 前 5 分鐘的血氧飽和濃度其前 15％的均 值，下降超過 4%以上的次數，將此次數除 上整夜的睡眠時間為特徵。 以整夜記錄而言，診斷阻塞性睡眠呼吸 中止症是計算單位小時內，發生呼吸道阻塞 且中止時間超過 10 秒以上的次數，得到 Respiratory Disturbance Index（RDI）值，臨 床上將 RDI 值 5 到 15 定義為 OSA 輕度患 者，將 RDI 值 15 到 30 定義為中度患者， RDI 值大於 30 以上定義為重度患者，由於 使用類神經網路進行訓練及測試時，資料需 為已知類別，因此，本研究以 RDI 值 30 為 門檻，嘗試將資料庫中資料區分為 RDI 值 大於 30 及小於 30 兩個族群。 以 RDI 值 30 為門檻區分兩類別，資料 庫中 RDI 值大於 30 的有 158 筆，RDI 值小 於 30 的有 145，將上述 5 個特徵變數為輸 入，其中由於特徵血氧飽和濃度頻寬均值及 V feature 數值級數與其他三個特徵差距太 大，因此將此二特徵正規化到 0 至 1，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。 測試資料結果，表 4，隨著維度的增加 其分類精度亦逐漸提高，當維度 5 個全取 時，最佳精度可達 87.35%，由測試資料結 果的統計指標，表 5，當具有最佳分類精度 時，sensitivity 為 83.56%，specificity 為 91.66%。 1000 次實驗中，將測試資料依分類結 果區分成百分之百分類正確的資料、未能百 分之百分類正確資料及百分之百分類錯誤 資料，圖 7、8、9 為三組資料的 RDI 分佈 圖。百分之百分類錯誤的 RDI 值高度地集 中在 30~40 之間，未能百分之百分類正確的 RDI 分布則較百分之百判斷錯誤寬廣，大部 分集中在 20~50 之間，佔了該組的 78.95 ％。在 RDI 值在 0~5 和 55 以上都判斷正確， 若看 RDI 值範圍 0~20 和 45 以上的話，共 有 11 筆資料判斷錯誤，其中 RDI 值 0~20 佔 4 個，45 以上佔 6 個；換句話說，也就 是 20~45 之間，共有 43 筆資料分類錯誤（含 百分之百分類錯誤資料＋未能百分之百分 類正確資料），佔了分類錯誤資料中的 84.31 ％，也就是在兩類別邊界處具有較差的分類 能力。 三、討論與結論 由心電圖訊號可以得到超過 91%的分 類精度，而由整夜的血氧飽和濃度可以得到 超過 87%的分類精度，雖然目前是分別由兩 個不同的資料庫進行測試，但此檢測系統卻 有其可行性，待此系統完成時，受測者只需 在居家中，利用心電圖儀及血氧濃度計，記 錄本身整夜的心電圖與血氧飽和濃度生理 訊號，即可進行 OSA 的檢測。 四、參考文獻
[1] Amer, Acad. Sleep Med. Task Force, 1999, “Sleep-related breathing disorders in adults:Recommendations for syndrome definition and measurement technique in clinical research,”Sleep, vol. 22, NO. 5, pp. 667-689.
[2] Atul Malhotra and David P White, 2002, “Obstructive sleep apnoea,” Lancet, vol. 360, pp. 237-245
[3] Behbehani K, Yen FC, 1995, “Automatic control of airway pressure for treatment of obstructive sleep panea,” IEEE Transactions on Biomedical
Engineering, vol. 42 , NO. 10, pp. 1007-1016.
[4] Deegan PC, and McNicholas WT, 1996, “Predictive value of clinical feature for the obstructive sleep apnea syndrome ,” European Respiratory Journal, vol. 9, pp. 117-124.
[5] Michael SU, Judith W, Volker VE, Pilar M. UD, Martin S, and Christian FP, 2003, “Reference Values for Nocturnal Home Pulse Oximetry During Sleep in Primary School Children,” Chest, vol. 123, pp. 96-101.
[6] Penzel T, McNames J, Chazal de, Raymond B, Murray A, and Moody G, 2002, “Systemic
comparison of different algorithms for apnoea detection based on electrocardiogram recordings,”
Med Biol Eng Comp, vol. 40, pp. 402-407.
[7] Penzel T, 2000, “The apnea-ECG database,” in
Computers in Cardiology, Piscataway, NJ:IEEE,
vol. 27, pp. 255-258.
[8] Philip de Chazal, Conor Heneghan, Elaine Sheridan, Richard Reilly, Philip Nolan, and Mark O’Malley, 2003, “Automated processing of the single-lead electrocardiogram for the detection of obstructive sleep apnoea,” IEEE Transactions on Biomedical
Engineering, vol. 50 , NO. 6, pp. 686-696.
[9] P.Pudil, J. Novovicova, and J. Kittler, 1994, “Floating search method in feature selection.” ,Pattern Recognition Letter, 15(11):1119-1125.
[10] Young T, Palta M, Dempsey J, Skatrud J, WeberS, Badr S, 1993, “The occurrence of sleep-disordered breathing among middle-aged adults,” N Engl J Med, vol. 328, pp. 1230-1235 [11] Zhang BL, Coggins R, Jabri MA, Dersch D, and
Flower B, 2001, “Multiresolution forecasting for futures trading using wavelet decompositions,”
IEEE Transactions on Neural Network, vol. 12,
NO. 4, pp. 765-775. [12] 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 [13] 邱豔芬, 1998, 簡易心電圖讀本, 華杏出版股份 有限公司 [14] 劉勝義, 2004, 臨床睡眠檢查學, 合記圖書出版 社。 圖 1. OSA 患者睡眠週期示意圖 圖 2 OSA 檢測錄系統流程圖 (a) (b) (c) 圖 3. (a)原始 ECG 訊號，(b)經濾波器處理後得到的 基線，(c)EDR 訊號。 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
圖 4. EDR 值示意圖 78 80 82 84 86 88 90 92 94 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Selected Feature Number
Tr ain in g + V alid atio n A ccu racy ( % )
組A Old Feature Set 組B New Feature Set
圖 5. 實驗 I 中，隨著變數選取數目的增加，兩組實 驗分類精度的表現 89 89.5 90 90.5 91 91.5 92 92.5 93 10 12 14 16 18 20 22 24 26 28 30
Selected Feature Number
A
ccuracy
(%)
Old Feature Set Training Accuracy Old Feature Set Testing Accuracy New Feature Set Training Accuracy New Feature Set Testing Accuracy
圖 6. New Feature Set 與 Old Feature Set 各經 35-Flod Cross-Validation 實驗後所得的分類精度比 較圖 表 1. 組 A 與組 B 所選出的特徵集合與分類精度 組 A 組 B 選入 次序 變數名稱 分類 精度 變數名稱 分類 精度 1 PSD_EDR_A_02 78.8981 PSD_R_Mag_01★ 79.9562 2 PSD_RRinterval_A_02 80.8714 PSD_RRinterval_A_02 82.3381 3 EDR_Mean 84.779 RRinterval_STD_S_N★ 86.9133 4 Allen_Factor_20S 86.9895 EDR_STD_S_N★ 88.1886 5 RRinterval_Mean 87.7343 EDR_STD_S 89.8086 6 Allen_Factor_05S 88.0533 EDR_Mean_S 89.8562 7 Allen_Factor_10S 89.5286 PSD_RRinterval_A_03 89.8524 8 PSD_RRinterval_a_09 89.7829 RRinterval_Mean_S 89.7933 9 PNN50_1 90.1133 RRinterval_STD_S 89.9752 10 PSD_EDR_A_19 90.3657 PSD_R_Mag_10★ 90.6448 11 PSD_EDR_A_08 90.4286 R_Mag_Mean★ 91.0771 12 PSD_RRinterval_A_05 90.4581 PNN50_2 91.3038 13 PSD_EDR_A_17 90.64 SDSD_N★ 91.5448 14 EDR_STD 90.4838 Allen_Factor_15S 91.7019 15 PSD_EDR_A_03 90.5057 Allen_Factor_10S 91.7924 16 PSD_EDR_A_01 90.8257 PSD_EDR_B_03★ 91.6676 17 PSD_RRinterval_A_23 90.8295 PSD_EDR_A_31 91.8048 18 Allen_Factor_15S 90.7781 PSD_RRinterval_A_06 91.8457 19 PSD_EDR_A_12 90.9829 PSD_EDR_A_13 91.981 20 PSD_RRinterval_A_19 90.7839 R_Mag_STD★ 92.1562 21 PSD_EDR_a_16 91.2133 PSD_RRinterval_A_20 92.2524 22 PSD_EDR_a_21 91.1705 PSD_EDR_B_05★ 92.22 23 PSD_RRinterval_a_10 91.2152 PSD_RRinterval_A_29 92.361 24 PSD_EDR_a_18 91.22 PSD_RRinterval_A_19 92.2714 25 PSD_RRinterval_a_20 91.2819 PSD_EDR_A_28 92.3505 26 PSD_EDR_a_11 91.2981 QRS_Point_STD_N★ 92.6467 27 PSD_EDR_a_24 91.2933 PSD_EDR_A_01 92.6314 28 PSD_RRinterval_a_08 91.3295 PSD_EDR_A_30 92.6095 29 PSD_RRinterval_a_04 91.5219 PSD_RRinterval_A_30 92.6276 30 PSD_EDR_a_10 91.5743 Allen_Factor_05S 92.8419
表 2. Chazal 使用 Cross Validation 後實驗結果 Classification performance for the LD and QD classifiers after (a)No Optimization (b)Feature Selection (c)Covariance Regularisation Classifiers Feature Set Feature
Number Training Accuracy Testing Accuracy LD （a） RR 52 89.2 85.8 LD （a） EDR 36 87.7 86.2 LD （a） RR+EDR 88 92.3 90 QD （a） RR 52 83 80.2 QD （a） EDR 36 89.1 83.6 QD （a） RR+EDR 88 89.9 84.8 LD （b） RR 23.1 89.3 85.5 LD （b） EDR 9.7 87.7 84.9 LD （b） RR+EDR 27.0 92.2 89.5 QD （b） RR 18.4 90 86.1 QD （b） EDR 13.9 88.8 84.3 QD （b） RR+EDR 22.7 93.2 89.5 LD （c） RR 52 88.9 85.9 LD （c） EDR 36 87.7 86.2 LD （c） RR+EDR 88 92 89.8 QD （c） RR 52 89.3 86.3 QD （c） EDR 36 88.2 86.3 QD （c） RR+EDR 88 92.5 89.8
表 3 中國醫藥大學附設醫院睡眠實驗室 Data base 病患的特徵資料 Mean(SD) Range Age(years) 43.11(13.57) 2-78 F/M 58/245 Height(cm) 165.74(11.32) 70-186 Weight(kg) 71.83(14.33) 8.4-115 BMI 25.91(4.11) 14-41 RDI 36.20(24.52) 0.-103.8 註：有三個人未有身高和體重資料 表 4 整夜血氧飽和濃度經類神經網路訓練測試結 果，維度數為使用 forward selectio 時，取出的維度。 表 5 整夜血氧飽和濃度經類神經網路測試結果統計 指標。 維度數 Sensitivity Specificity 均值(%) 標準差 均值(%) 標準差 1 79.52 0.104 92.19 0.080 2 81.01 0.101 91.39 0.080 3 81.94 0.098 91.47 0.076 4 82.77 0.097 91.81 0.073 5 83.56 0.097 91.66 0.070 圖 7 百分之百分類錯誤資料 圖 8 未能百分之百分類錯誤資料 圖 9 百分之百分類正確資料 Training Accuracy (%) 維度數 均值(%.) 標準差 1 85.97 0.015 2 86.61 0.014 3 87.08 0.013 4 87.67 0.011 5 87.97 0.010 Validation Accuracy (%) 維度數 均值 (%) 標準差 1 87.75 0.055 2 87.86 0.055 3 87.92 0.057 4 87.99 0.057 5 88.06 0.056 Testing Accuracy (%) 維度數 均值 (%) 標準差 1 85.43 0.061 2 85.85 0.062 3 86.39 0.062 4 86.99 0.060 5 87.35 0.058
