//Logo Image
作者:阮致維(2005-07-26);推薦:徐業良(2005-07-26)
附註:本文為九十四學年度元智大學機械工程研究所阮致維碩士論文「以外顯行為訊號判讀睡眠階段」第四、五章。

以外顯行為訊號判讀睡眠階段-演算法的發展與驗證

本章節根據本研究14位受測者睡眠實驗蒐集的資料與整理,由其腿部動作次數、呼吸頻率、以及呼吸頻率變異係數等三項外顯行為訊號,找出與睡眠階段之關係,並嘗試發展一套以外顯行為訊號判讀睡眠階段之演算法,利用此演算法重新判讀14位受測者之睡眠資料,並與PSG判讀結果相比對。

1. 睡眠實驗資料整理

1統計本研究14位受測者的睡眠階段與整體睡眠時間的比例關係,可觀察睡眠時「NREM-淺眠」時間最長,約占整體睡眠時間的一半,其次為「NREM深眠」、「REM」、以及清醒。表2中首先整理14位受測者睡眠實驗蒐集的資料中,腿部動作次數、呼吸頻率、以及呼吸頻率變異係數等三項外顯行為訊號,對應清醒、淺眠、深眠、REM等四個睡眠階段的總體趨勢。從表2中可以看出以下趨勢:

(1)   14位受測者之呼吸頻率,在四個不同睡眠階段並無明顯趨勢,惟一有一致性的部份是14位受測者之呼吸頻率於深眠階段有大於淺眠之趨勢。

(2)   14位受測者之呼吸頻率變異係數於各睡眠階段有明顯變化的趨勢,清醒與REM的數值皆大於淺眠,淺眠又大於深眠。

(3)   14位受測者的腿部動作頻率在清醒期間的平均數值明顯大於其他睡眠階段。如表3所示,在清醒階段腿部動作頻率幾乎每分鐘1次。

1. 睡眠時間統計表(14位受測者)

 

清醒

NREM-淺眠

NREM-深眠

REM

時間總合(分鐘)

606

2846

1391

747

睡眠比例(%)

10.84

50.91

24.88

13.36

2. 14位受測者資料外顯行為訊號四個睡眠階段的總體趨勢

睡眠階段與指標

呼吸頻率

變異係數

腿部動作頻率

清醒>淺眠

9

13

14

清醒<淺眠

5

1

0

清醒>深眠

5

14

14

清醒<深眠

9

0

0

清醒>REM

4

9

14

清醒<REM

10

5

0

淺眠>深眠

1

14

11

淺眠<深眠

13

0

3

淺眠>REM

4

0

10

淺眠<REM

10

14

4

深眠>REM

8

0

8

深眠<REM

6

14

6

3. 腿部動作整體統計表(14位受測者)

 

清醒

NREM-淺眠

NREM-深眠

REM

時間總合(分鐘)

606

2846

1391

747

腿部動作頻率 (次數/總時間)

0. 904

(548/606)

0.102

(291/2846)

0.057

(79/1391)

0.052

(39/747)

呼吸頻率的變異係數代表該時段呼吸的穩定性。為了進一步了解睡眠期間呼吸頻率的變異係數和睡眠階段的量化關係,圖1至圖4整理14位受測者在四個睡眠階段中呼吸頻率變異係數所佔時間,其中橫軸為變異係數,以百分比(%)為單位,縱軸則為該變異係數所佔時間。觀察這四個圖可以看出,清醒階段呼吸頻率的變異係數分佈很廣,沒有明顯集中趨勢,淺眠、深眠、REM等三個睡眠階段,呼吸頻率的變異係數分佈則有明顯集中趨勢,其中深眠時期呼吸頻率的變異係數集中在4%~7%REM時期呼吸頻率的變異係數集中在8%~16%,與深眠有明顯區分。淺眠時期呼吸頻率的變異係數分佈較廣,主要分佈於5%~15%,與深眠和REM均有重疊。

1. 清醒階段呼吸頻率變異係數統計

2. NREM-淺眠階段呼吸頻率變異係數統計

3. NREM-深眠階段呼吸頻率變異係數統計

4. REM階段呼吸頻率變異係數統計

2. 睡眠階段判讀演算法

根據前一節中敘述的外顯行為訊號與睡眠階段間的關連性和趨勢,本節中嘗試發展一演算法,如圖5,由PSG量測之腿部動作次數、呼吸頻率、以及呼吸頻率變異係數等三項外顯行為訊號,經由演算法判讀整晚睡眠資料,區分為清醒、NREM-淺眠、NREM-深眠、以及REM等四個睡眠階段分佈圖,以供後續發展「可攜式居家睡眠品質評估系統」之用。

5. 睡眠階段判讀流程

如前一節所述,呼吸頻率變異係數於各睡眠階段有明顯變化的趨勢,且呼吸頻率變異係數分佈在淺眠、深眠、REM等三個睡眠階段有明顯集中趨勢,因此睡眠階段判讀演算法的建構,將以呼吸頻率變異係數為核心。

614位受測者睡眠資料中,呼吸頻率變異係數在各睡眠階段所佔的比例,即以各變異係數出現的不同睡眠階段時間數除以此部份的總時間,得到的變異係數與睡眠階段分布情況。例如當呼吸頻率變異係數為2%時(即呼吸十分穩定),約84%的時間受測者是處於深眠狀態,約16%的時間受測者是處於淺眠狀態;又如當呼吸頻率變異係數為20%時(即呼吸很不穩定),20%左右的時間受測者是處於REM狀態、20%左右的時間受測者是處於清醒狀態、50%以上的時間受測者是處於淺眠狀態、僅有不到10%的時間受測者是處於深眠狀態。

6可作為睡眠階段判讀演算法的基礎,例如「當某一分鐘睡眠資料呼吸頻率變異係數為2%時,根據歷史測試資料,有84%的可能性受測者是處於深眠狀態,16%的可能性受測者是處於淺眠狀態」。但淺眠時間原本就佔總睡眠時間一半,大部分的呼吸頻率變異係數都以淺眠時間佔比例最大,可能造成絕大部分睡眠時間皆判斷為淺眠的情況。如前一節所述,清醒階段呼吸頻率的變異係數分佈很廣,沒有明顯集中趨勢,但腿部動作頻率在清醒期間的平均數值明顯大於其他睡眠階段,因此清醒階段不以呼吸頻率變異係數判讀,而由腿部動作頻率判讀。淺眠、深眠、REM等三個睡眠階段的區分,則考慮圖2~4中呼吸頻率的變異係數分佈的集中趨勢,例如「當某一分鐘睡眠資料呼吸頻率變異係數為4%時,根據歷史測試資料,受測者處於深眠階段的可能性較高,處於淺眠階段的可能性較低,處於REM階段的可能性非常低」。

6. 呼吸頻率變異係數在各睡眠階段所佔的比例

考慮淺眠、深眠、REM等三個睡眠階段呼吸頻率的變異係數分佈的集中趨勢,本研究將圖6中的分佈比例乘上一個經過正規化的「集中趨勢比重」。例如圖2淺眠階段中,以最高的呼吸頻率變異係數7%時,集中趨勢比重為1,則呼吸頻率變異係數8%時集中趨勢比重為0.80;圖3深眠階段中,以最高的呼吸頻率變異係數5%時,集中趨勢比重為1,則呼吸頻率變異係數7%時集中趨勢比重為0.59;圖4REM階段中,以最高的呼吸頻率變異係數11%時,集中趨勢比重為1,則呼吸頻率變異係數14%時集中趨勢比重為0.67

考量呼吸頻率的變異係數分佈的集中趨勢再次處理統計數據,所得結果如圖7。圖7即用來作為睡眠階段判讀演算法之依據,輸入某一分鐘呼吸頻率變異係數,可依此給予此分鐘為淺眠、深眠、REM等三個睡眠階段的「可能性分數」。

7. 考量呼吸頻率的變異係數分佈的集中趨勢再次處理統計數據

每一睡眠階段不應太短,經由圖7作的睡眠階段判讀再以10分鐘為單位作「平滑化」的處理。平滑化處理有兩種方式,一是計算此10分鐘內淺眠、深眠、REM等三個睡眠階段的可能性分數的平均值,平均值最高者即判定此10分鐘屬於該睡眠階段(演算法1)。第二種方式則是每分鐘淺眠、深眠、REM等三個睡眠階段的可能性分數最高者,即判讀此分鐘屬於該睡眠階段,接著計數10分鐘內各睡眠階段出現次數,出現次數最多者即判定此10分鐘屬於該睡眠階段(演算法2)。清醒階段的判讀則完全依據腿部動作頻率,10分鐘內腿部動作頻率超過每分鐘0.5次時,此10分鐘時間即判斷為清醒。

3. 結果驗證

9到圖2114位受測者睡眠資料以前節所述演算法計算後,經與PSG判讀之睡眠階段比對所得之結果,可以觀察演算法2(計數10分鐘內各睡眠階段出現次數最多者即判定此10分鐘屬於該睡眠階段)判讀符合率遠較演算法1(計算10分鐘內各睡眠階段的可能性分數的平均值最高者即判定此10分鐘屬於該睡眠階段)為高。如表4所示,以演算法1重新判讀14位受測者睡眠資料,與PSG判讀結果比對,符合率最低45.62%、最高71.46%、平均56.44%

6.演算法程式與PSG判讀結果比較表

受測者

PSG比對符合之時間(分鐘)

判讀時間(分鐘)

判讀符合率(%)

1

219

380

57.63

2

144

310

46.45

3

217

440

49.31

4

263

460

59.77

5

261

390

66.92

6

219

480

45.62

7

205

360

56.94

8

272

360

56.67

9

293

410

71.46

10

264

440

60.00

11

206

420

49.04

12

118

240

49.16

13

203

360

56.38

14

224

360

62.22

14人程式平均判讀符合率=56.44

8. 受測者1程式判讀結果

9. 受測者2程式判讀結果

10. 受測者3程式判讀結果

11. 受測者4程式判讀結果

12. 受測者5程式判讀結果

.

13. 受測者6程式判讀結果

14. 受測者7程式判讀結果

15. 受測者8程式判讀結果

16. 受測者9程式判讀結果

17. 受測者10程式判讀結果

18. 受測者11程式判讀結果

 

19. 受測者12程式判讀結果

20. 受測者13程式判讀結果

21. 受測者14程式判讀結果

4. 結論與未來展望

本研究蒐集了14位受測者以PSG蒐集之整晚睡眠資料,加以分析、處理,建立外顯行為與睡面階段之關係,發現呼吸頻率變異係數和腿部動作頻率在各睡眠階段有明顯差異。接著本研究即嘗試發展一套判讀睡眠階段演算法,以呼吸頻率變異係數和腿部動作頻率兩項外顯行為訊號判讀睡眠階段,能將整晚睡眠區分為清醒、深眠、淺眠、REM等四個階段。演算法判讀結果經與PSG判讀結果比對,判讀符合率為56.44%

本研究建立完成以外顯行為判讀睡眠階段之整體架構,為來將繼續嘗試進一步提升判讀符合率,包括邀請更多受測者作睡眠實驗,以增加演算法依據之資料量;此外進一步調整判讀規則及相關參數,或考慮以模糊邏輯或類神經網路的判讀方式,以期提高演算法判讀睡眠階段的正確性。