//Logo Image
作者:鄭智銘(2004-06-25);推薦:徐業良(2004-06-27)

Biomat設計參數最佳化以改善呼吸訊號判讀準確率

摘要

Biomat為一非察覺性的睡眠生理感測裝置,使用時放置軟質生理感測墊於一般床墊上,無須感測貼片與訊號線便可提供臥床時間、呼吸頻率、身體活動程度等生理指標,進而評估受測者睡眠歷程與睡眠品質。Biomat在實際使用上判讀呼吸訊號的準確率不穩定,這是一個目前實際遇上的問題並且有解決的迫切性。

本研究中循著“6 sigma”步驟定義分析問題,首先以23因子設計的方式討論影響Biomat準確性的體重、導電布面積、與泡棉長度三個因子,在95%的信心水準下我們推論體重對Biomat準確率的影響不顯著,導電布面積與泡棉長度因子的效應顯著,各因子間的交互作用均不顯著,且初步假設導電布面積越大與泡棉長度越長,Biomat呼吸訊號判斷的準確率越高。接著以CCD中心中央合成設計方式建構反應曲面,決定最佳因子組合,過程中發現,導電布面積與泡棉長度有一個最佳因子組合,超過或小於最佳因子組合的值Biomat的準確率均會下降,與先前的假設導電布越大與泡棉越長不同,推測是因為過大的導電布面積與過長的泡棉長度反而會增加肢體與身體其他部位的影響因素,造成Biomat準確率降低。

最後本研究獲得最佳因子組合為導電布面積60%,泡棉長度為79cm,預測準確率約為85%。改善後的驗證實驗中,改善後的Biomat呼吸訊號判斷平均準確率為83.6%,改善前製程能力Ppk-0.09,改善後製程能力提升為1.56。本研究獲得一組Biomat的最佳參數組合,使得製程能力增加,並且提升準確率,附加的好處是最佳參數組合使得材料成本降低了35%

1.     研究背景與目的

1.1 睡眠的重要性

人類一生中有三分之一的時間在睡眠中度過,直到1929年德國精神科醫師Hans Berger成功地以至於頭皮上電極記錄腦波之後,我們才得以一窺睡眠的全貌。睡眠中的狀態可以分為非快速眼動睡眠(non-rapid eye movement, NREM)及快速眼動睡眠(rapid eye movement, REM),也就是作夢的時期兩個狀態,大致上來說NREM時期III為淺眠,IIIIV期為深眠,一個晚上的睡眠歷程便是由淺眠、深眠與REM睡眠所構成,一個晚上的睡眠歷程如圖1[Coren, 1998]


1. 睡眠歷程

睡眠品質對身體與心理層面均有重大的影響,Morgan等學者[1988]認為睡眠品質是評估心理與生理狀態的重要指標,Buysse等人[1988]認為良好睡眠的評估標準包含睡眠品質、睡眠量以及其他相關的因素。

1990年美國國家衛生發展部的統計顯示,65歲以上住家老人1/2有睡眠方面的問題,在長期照護機構中更有2/3老人有睡眠困擾[Becker and Jamieson, 1992],可見高齡者的睡眠品質不良是一個普遍性存在的重要問題。成大醫學院家醫科教授張智仁所公布的國人失眠問題暨就醫行為調查報告中指出,台灣地區失眠盛行率為28%,雄冠亞洲,並且全球排行第二,僅次美國。在20~39歲的族群,失眠率將近30%,失眠是台灣地區非常普遍盛行的問題。

1.2 睡眠評估的現況

簡單地定義,睡眠不良包括睡眠時間不足、深眠時間過短以及REM睡眠過短等評估項目,患者通常可以至圖2所示的睡眠診所以及圖3睡眠實驗室進行睡眠的評估,目前一般使用評估睡眠的設備為多重生理監測裝置PSG監測腦波,呼吸,眼動,身體活動等生理訊號,如圖2與圖3所示,需要非常大量的生理貼片與訊號線,會影響受測者的睡眠。

2. 睡眠診所進行睡眠評估

3. 睡眠實驗室進行睡眠評估

1.3 BIOMAT簡介

Biomat為一非察覺性的睡眠生理感測裝置,如圖4所示,包含生理訊號處理器以及軟質生理感測墊。模組化設計的生理感測墊,用時放置於一般床墊上,開啟開關後Biomat液晶顯示介面上顯示臥床時間、呼吸頻率、身體活動程度三項生理資訊。圖5Biomat訊號處理的架構,前端的軟質感測墊所感測的呼吸與身體活動訊號,經由生理訊號處理器進行辨識後,可以獲得呼吸頻率、身體活動程度與總睡眠時間三項生理指標,藉由資料傳輸介面可以連結至電腦並同時顯示於LCD液晶顯示器上。藉由呼吸頻率與身體活動的程度,我們可以綜合評估深眠與淺眠的階段,呼吸訊號辨識與身體活動訊號的準確率越高辨識,睡眠階段的辨識準確率也越高。

4. Bioamt實體外觀

5. Biomat生理訊號處理與辨識架構

1.4 問題描述

目前Biomat實際使用上與測試上所遇到的主要問題敘述如下:

(1)    準確率測試耗時耗人力

目前進行Biomat呼吸訊號準確率測試的方法是以攝影方式紀錄受測者連續4小時的睡眠錄影,並以人工觀看錄影帶的方式記錄每分鐘所測到的實際呼吸訊號次數,並與Biomat所辨識的呼吸訊號次數進行比對,因為全程必須以人工方式觀看連續4個小時的睡眠影帶,十分耗費時間與人力。

7所示為某次睡眠錄影帶的畫面內容,人體呼吸動作為外顯性的活動,因此可以以肉眼人工方式判讀紀錄,圖7中藍色裝置為Bioamt生理訊號辨識器,當Biomat成功辨識一次呼吸訊號時,訊號燈會閃一次綠燈,實際測試時便是比對人工計次獲得的呼吸訊號與Biomat判讀後綠燈閃亮的次數,定義為Biomat的準確率。公式如下所示:

Biomat呼吸訊號辨識準確率=Biomat呼吸燈號閃亮次數/人工判讀呼吸次數

7. Bioamt呼吸訊號準確率測試實際錄影畫面

(2)    Biomat呼吸訊號辨識準確率不穩定

18Biomat呼吸訊號準確率測試所獲得的數據,平均準確率為67.73%,標準差為8.31%。實務上的經驗我們希望呼吸訊號辨識性能的準確率可以在70%以上,我們以「製程能力分析(Process Capability Analysis)」討論原始Biomat的性能,分析結果如圖8所示,原始製程能力僅為-0.09,小於1.33,觀測數據,我們發現有一半以上的準確率落在LSL下限之外,原始製程能力十分不良。

1. 8次測試的準確率(%)

8. Biomat原始製程能力分析

2.     分析流程

本文對Biomat進行設計參數最佳化,以改善呼吸訊號判讀準確率。問題分析流程如圖9所示,定義問題(第3節)後我們針對量測系統進行“Gage R&R”分析(第4節),接著以2k因子設計的方式討論影響Biomat呼吸訊號辨識準確率的顯著因子,並初步推論各因子最佳的水準組合;最後以CCD中央合成設計建構反應曲面,獲得最佳因子組合(第567節),並進行性能改善評估與驗證實驗(第89節)。

9. 分析流程

3.     問題定義

10Biomat感測墊結構圖。Biomat感測墊為三明治的夾層結構,上下層導電布夾著中層的導電泡棉,由實務上的經驗我們知道Biomat的準確率與泡棉長度以及導電布的面積有關,由於床寬度固定,Biomat寬度固定為床寬90cm,因此初步的假設是泡棉長度越長、導電布面積越大,呼吸訊號判讀準確率越高。

10. Biomat感測墊結構示意圖

11的魚骨圖表示影響Biomat呼吸訊號判讀準確率不良的原因,包含軟體程式、材料性質、感測墊尺寸以、及受測者四項。其中材料性質由合作廠商所提供,僅有相同一種材質,軟體程式也已固定不會再更改,因此本文僅針對感測墊尺寸以及受測者進行討論,其中受測者僅針對受測者體重進行討論。因此本文主要討論受測者體重、導電布面積、泡棉長度等三項因子。

11. 影響Biomat呼吸訊號判讀準確率不良的原因魚骨圖

4.     量測系統

如前所述,目前進行Biomat呼吸訊號判讀準確率測試的方法,是以攝影方式紀錄受測者連續四小時的睡眠錄影,並以人工觀看錄影帶的方式記錄每分鐘所測到的實際呼吸訊號次數,並與Biomat所辨識的呼吸訊號次數進行比對。由統計學的概念本文以抽樣的方式取代原先的判讀方式,以隨機抽樣的方式將四小時長度的睡眠時間隨機選取24分鐘進行準確率的估計。

人工判讀睡眠呼吸次數的方式有可能會因為不同使用者造成判讀結果的差異,因此我們針對人為判讀呼吸次數的方式進行Gage R&R分析,瞭解人工判讀呼吸次數的方式是否為一個可靠的評估方式。我們以甲乙兩位判讀員判讀相同的錄影內容,以隨機的方式決定判讀資料順序,並且重複兩次,所獲得的結果如表2所示。

2. 甲乙兩位判讀員判讀相同資料的結果

從表3Gage R&R ANOVA分析表」,我們可以發現變異的主要來源為呼吸訊號間的差異,判讀員以及交互作用均不顯著,僅呼吸訊號是顯著因子P值小於0.05。從表4Gage R&R Contribution分析表」中,我們也可以獲得相同的結論,只有Part to Part 變異是顯著,Part to Part 變異貢獻度94.56%,而Gage R&R5.44,小於10%在良好的範圍,表示以人工判讀呼吸頻率的方式是個合適的方式,具有鑑別不同呼吸次數的能力,不會因為不同判讀員而影響,重複性與再生性都很穩定。

3. Gage R&R ANOVA分析表

4. Gage R&R Contribution分析表

5.     5 23因子設計與分析

5.1 設計與問題描述

我們以23討論受測者體重、導電布面積、與泡棉長度對Biomat準確率的影響,瞭解哪些因子為顯著因子。如圖12~14所示,體重的高低水準分別為90kg以及65kg,導電布面積高低水準分別為70%40%,泡棉的長度高低水準分別為90cm40cm,各因子水準整理如表5所示。

12. 體重的高低水準

13. 導電布面積的高低水準

14. 泡棉長度的高低水準

5. 各因子高低水準

    水準

因子

高水準1

低水準-1

A受測者體重

90kg

65kg

B導電布面積

70%

40%

C泡棉長度

90cm

40cm

5.2 實驗數據

我們以隨機方式決定資料收集的順序,共有ABC三個因子,每個因子各有高低兩個水準,沒有重複,共8個處理,反應值為Biomat準確率,資料如表6所示。因為各因子水準是被選定的因此為固定效應模型,統計模式如式(1),其中a=2b=2c=2n=1

       (1)

6. 23因子設計的實驗數據

5.3 因子效應分析

從圖15主因子效應圖可以發現A因子較不顯著,BC因子較為顯著,從圖16交互作用圖可以發現ABAC有交互作用。從圖17柏拉圖與常態機率圖也獲得相同的結論,A因子不顯著,BC為顯著因子,交互作用均不顯著。

15. 主因子效應圖

16. 交互作用圖

17. 柏拉圖與常態機圖

接下來以統計量說明。從表7因子分析的結果可以發現僅BC因子的P值小於0.05,為顯著因子,A因子不顯著,交互作用也不顯著。代表Biomat的準確率僅受B因子導電布面積以及C因子泡棉長度所影響,受測者的體重對準確率沒有影響,也代表Biomat在不同使用者的情況下能夠維持穩定的準確率,因此我們將針對BC因子進行討論。

7. 23因子分析的結果

5.4 BC因子重新配置模型

我們以BC因子重新配置統計模型如式(2),各因子為兩水準的固定效應模型,並且不考慮交互作用。

                                                                      (2)

重新配置後的因子效應分析結果如表8所示,B導電布面積與C泡棉長度均為顯著因子,P值小於0.05,此模式的R-sqR-sq(adj)均將近90%Lack of fitP值為0.279不顯著,表示以BC因子建構的迴歸模式是非常良好適當的,迴歸模式如下:

        Y=67.74+9.3B+6.9C                                                                              (3)

8. 重新配置後模型的因子分析

5.5 建議因子水準

從主因子效應圖中我們可以發現B因子與C因子均為高水準時,Biomat準確率較高,A因子不顯著且交互作用不顯著,因此建議選擇BC的高水準。表7中初始23因子設計分析結果中,ABC三因子的效應分別為0.059.36.9,交互作用效用均不明顯,也顯示B因子與C因子均為高水準時會有較佳的準確率。表9不同因子水準組合時的反應值也有相同的結論。我們建議B導電布面積與C泡棉長度均選擇高水準會有較佳的準確率。

9. 不同因子水準組合的反應值

因子水準

B(-1)

B(1)

C(-1)

58

69.3

C(1)

66.9

74.2

5.6 23因子設計分析結論

23因子設計方式討論A體重、B導電布面積、以及C泡棉長度對Biomat準確率的影響,在95%信心水準下,我們發現僅B因子與C因子為顯著因子,A因子與交互作用均不顯著,代表影響Biomat準確率的顯著因子為導電布面積與泡棉長度,不同體重的使用者對準確率的影響不大,也就是說Biomat的準確率在不同受測者體重情況下均有穩定的準確率。

從主效應圖與因子效應的分析中,我們建議BC因子均採用高水準會有較佳的準確率,也就是說導電布面積越大、泡棉長度越長,Biomat呼吸訊號判斷的準確率也越佳,在此BC的高水準分別為導電布70%以及泡棉90cm

6.     CCD建構反應曲面

6.1 實驗數據與模型分析

23因子設計分析的結果知道BC因子為顯著因子,且BC均為高水準時會有較佳的準確率,分別為導電布面積70%與泡棉90cm時。接下來以CCD(central composite design)中央合成設計的方式,以B因子面積70%C因子長度90cm5個中點,22個角點與向外延伸軸點4個軸點,中心到軸點的距離為1.414213RunBC因子的各水準數值如表10所示,數據資料如表11所示。分析結果如表12所示,可以發現BC因子均為顯著,而且二次式也為顯著(P<0.05),交互作用不顯著,因此將以一次式與二次式建構二階反應曲面模型。

10. BC的各水準數值

因子         因子水準

-1.411

-1

0

1

1.414

B

66%

90%

80%

70%

94%

C

62cm

110cm

90cm

70cm

118cm

11. 實驗數據

 

12. 反應曲面迴歸模式分析

Response Surface Regression: C7 versus B, C

The analysis was done using coded units.

Estimated Regression Coefficients for C7

Term        Coef  SE Coef       T      P

Constant  75.120   0.9778  76.828  0.000

B         -2.545   0.7730  -3.292  0.013

C         -3.398   0.7730  -4.395  0.003

B*B       -3.579   0.8289  -4.317  0.003

C*C       -1.054   0.8289  -1.271  0.244

B*C        1.150   1.0932   1.052  0.328

S = 2.186   R-Sq = 87.8%   R-Sq(adj) = 79.1%

 

Analysis of Variance for C7

Source          DF   Seq SS   Adj SS   Adj MS      F      P

Regression       5  240.987    240.987   48.197    10.08  0.004

  Linear         2  144.163    144.163   72.082    15.08  0.003

  Square         2   91.533     91.533  45.767     9.57  0.010

  Interaction      1    5.290     5.290    5.290     1.11  0.328

Residual Error     7   33.461    33.461    4.780

  Lack-of-Fit     3   28.153     28.153   9.384     7.07  0.045

  Pure Error      4    5.308      5.308   1.327

Total           12  274.448

6.2 反應曲面分析結果

建構的反應曲面等高線圖如圖18所示,期望值是望大,希望準確率越高越好,可以觀察到最佳點位置於B水準左邊界以及C水準約為0.5處。如圖19所示經由Minitab最佳因子組合我們獲得最佳因子組合的水準為B因子-1.4142C因子-0.5

18. 反應曲面等高線圖

19. 最佳因子組合

23因子設計時所獲得的結論是BC因子高水準時會有較佳的準確率,傾向推論BC因子導電布面積越大以及泡棉長度越長準確率越高。隨後以BC因子的高水準進行CCD設計建構反應曲面,所獲得的最佳因子組合與先前預期不同,是在B因子與C因子的高低水準之間。

如圖20所示,為最佳參數尋找的過程,在23因子分析的結論我們以為越向右邊(水準越高)會獲得越佳的準確率,原本猜測B因子導電布面積最佳點會超過70%C因子泡棉長度會超過80cm。但是在反應曲面的分析之後,發現最佳點是在B因子40%~70%之間,C因子是在40cm~90cm之間。目前獲得的最佳因子組合為B因子-1.414水準,C因子-0.5水準,從反應曲面圖發現C因子可能是最佳值,但是B因子已經落在最左方的邊界,有可能會有更佳的點,因此下一節以B因子63%以及C因子80cm為中點,進行第二次反應曲面設計,以確定此為最佳點。

20. 最佳參數尋找的過程

7.     建構第二次反應曲面模型

7.1 實驗數據與模式分析

B因子導電布面積63%C因子泡棉80cm為中點,進行CCD(central composite design)中央合成設計的方式,向外延伸軸點4個軸點與22個角點,中心到軸點的距離為1.414213RunBC因子的各水準數值如表13所示,數據資料如表14所示。分析結果如表15所示,我們可以發現BC因子的二次式為顯著(P<0.05),交互作用不顯著,因此我們必須建構二階建構反應曲面模型。

13. BC的各水準數值

因子         因子水準

-1.411

-1

0

1

1.414

B

46%

50%

60%

70%

74%

C

66cm

70cm

80cm

90cm

94cm

14. 實驗數據

15. 反應曲面迴歸模式分析

Estimated Regression Coefficients for C7

Term            Coef  SE Coef       T      P

Constant        84.9200   1.0767  78.870  0.000

面積 1         1.9119   0.8512   2.246  0.060

長度          -0.5606   0.8512  -0.659  0.531

面積 1*面積 1  -5.7475   0.9128  -6.296  0.000

長度 *長度     -2.5475   0.9128  -2.791  0.027

面積 1*長度    -0.9500   1.2038  -0.789  0.456

S = 2.408   R-Sq = 87.7%   R-Sq(adj) = 78.8%

 

Analysis of Variance for C7

Source          DF   Seq SS    Adj SS    Adj MS       F       P

Regression       5    288.041   288.041     57.608    9.94   0.004

  Linear         2    31.757    31.757     15.879    2.74    0.132

  Square         2   252.674   252.674    126.337   21.80    0.001

  Interaction      1     3.610     3.610      3.610    0.62    0.456

Residual Error     7    40.576    40.576      5.797

  Lack-of-Fit     3     35.548    35.548     11.849    9.43    0.028

  Pure Error      4      5.028     5.028      1.257

Total           12    328.617

7.2 反應曲面分析結果

B因子與C因子的一次式與二次式建構反應曲面模型,去除交互作用,分析結果如表16所示,BC因子的二次式均為顯著因子,但是同時也注意到此模式的Lack of fit 0.036為顯著,表示此迴歸模式可能無法非常適當地描述此模型,但是考慮到R-Sq = 86.6%R-Sq(adj) = 79.8%均非常不錯,可以解釋80%以上的變異,因此傾向接受目前的迴歸模型。

16. 反應曲面迴歸模式分析

The analysis was done using coded units.

Estimated Regression Coefficients for C7

Term            Coef  SE Coef       T      P

Constant       84.9200   1.0510   80.798  0.000

面積 1         1.9119   0.8309    2.301  0.050

長度          -0.5606   0.8309    -0.675  0.519

面積 1*面積 1  -5.7475   0.8910   -6.450  0.000

長度 *長度     -2.5475   0.8910   -2.859  0.021

S = 2.350      R-Sq = 86.6%     R-Sq(adj) = 79.8%

 

Analysis of Variance for C7

Source          DF   Seq SS   Adj SS    Adj MS       F      P

Regression       4    284.431  284.431    71.108    12.87   0.001

  Linear         2     31.757   31.757    15.879     2.87  0.115

  Square         2    252.674  252.674   126.337    22.87  0.000

Residual Error     8     44.186   44.186     5.523

  Lack-of-Fit      4     39.158   39.158     9.789    7.79  0.036

  Pure Error       4      5.028    5.028    1.257

Total            12    328.617

所建構的反應曲面等高線圖如圖21所示,期望值是望大,希望準確率越高越好,圖中可以觀察到最佳點位置約於B水準0以及C水準約為0處,而且從反應曲面圖看來此點應為最大反應點。

21. 反應曲面等高線圖

如圖22所示,經由Minitab最佳因子組合獲得最佳因子組合的水準為B因子0C因子-0.1。也就是導電布面積為60%,泡棉長度為79cm時會有最大的準確率約為84.95%

22. 最佳因子組合

8.     製程改善分析

以導電布面積60%以及泡棉長度80cm作為Biomat的尺寸參數,進行準確率測試,分析結果如圖23所示,製程能力提升,Ppk1.56大於1.33,改善後製程能力提升非常顯著。再以8次實驗數據定義Biomat的準確率,平均準確率為83.64%,標準差2.22,在95%的信心水準下信賴區間為82.1%~85.2%

23. 改善後製程能力分析

9.     結論

本文循著6 sigma步驟定義分析問題,首先以23因子設計的方式討論影響Biomat準確性的體重、導電布面積、與泡棉長度三個因子,在95%的信心水準下推論體重對Biomat準確率的影響不顯著,導電布面積與泡棉長度因子的效應顯著,各因子間的交互作用均不顯著,且初步假設導電布面積越大與泡棉長度越長,Biomat呼吸訊號判斷的準確率越高。

接著我們以CCD中心中央合成設計方式建構反應曲面,決定最佳因子組合,過程中發現,導電布面積與泡棉長度有一個最佳因子組合,超過或小於最佳因子組合的值Biomat的準確率均會下降。最後我們獲得最佳因子組合為導電布面積60%,泡棉長度為79cm,預測準確率約為85.0%。我們進行改善後的驗證實驗,改善後的Biomat呼吸訊號判斷平均準確率為83.6%,改善前製程能力Ppk-0.09,改善後製程能力提升為1.56

本研究在Biomat實務設計上具體結論及貢獻如下:

(1)   最佳參數為導電布面積60%以及泡棉長度80cm

藉由實驗設計的分析方法發現,導電布面積與泡棉長度有一個最佳因子組合,超過或小於最佳因子組合的值Biomat的準確率均會下降,與先前實務上經驗的假設,泡棉長度越長與導電布面積越大準確率越高不同。推論是因人體呼吸動作是在胸腔的活動,因此泡棉長度與導電布面積僅需要涵蓋胸腔的區域便可,過大或過小的感測區域反而會因為身體其他部位的活動造成雜訊,降低準確率。

(2)   準確率與穩定性提升

改善前Biomat平均準確率約為67.7%,製程能力Ppk值為-0.09,改善後平均準確率提升為83.6%,製程能力Ppk值提升為1.56,大於1.33,屬於良好的範圍。

(3)   成本降低

原先的假設是泡棉與導電布越長越大越好,原本Biomat導電布面積為100%,泡棉長度為90cm,分析後的結果發現有一個參數的最佳組合,導電布面積60%,泡棉長度80cm,材料成本降低了約35%