//Logo Image
作者:鄭智銘(2008-12-07);推薦:徐業良(2009-10-30)

可攜式遠距睡眠身體活動監測系統設計與製作

摘要

身體活動量的降低以及長時間地維持靜止是睡眠的重要特徵。以多項生理監測儀(polysomnographic, PSG)進行睡眠相關問題的評估是目前睡眠研究與臨床診斷上的標準程序,因為設備的成本與操作的專業性,PSG檢測並不適合於一般居家環境中進行長期的睡眠監測。本文介紹一可攜式遠距睡眠身體活動監測系統設計與製作,系統以導電纖維所製作的身體活動感測墊偵測受測者的身體活動訊號,並以所設計之生理演算法進行清醒與睡眠階段的鑑別,醫師與照護者可以藉由瀏覽器介面或VB應用程式登入DDS瀏覽受測者身體活動與清醒/睡眠狀態等即時監測資料。

本文所開發之PAD-mat系統在鑑別清醒與睡眠狀態上有良好的準確率。由4位正常睡眠與4位夜間離床受測者進行的整夜測試中,系統對睡眠狀態鑑別有相當好的結果,與PSG檢測結果對照,其平均靈敏度為89.5%、平均正確預測率為94.8%、平均特異度為84.3%

本系統的功能設計上並不是一項臨床診斷上的診斷工具,而是希望藉由可攜式的裝置實現居家環境下遠距睡眠監測系統的可能性,藉由長期性的持續監測,對受測者身體活動、清醒/睡眠狀態的評估,瞭解受測者的睡眠品質與可能的睡眠問題。

Keywords: home telehealth, physical activity, sleep pattern.

1.     研究背景

身體活動量的降低以及長時間地維持靜止是睡眠的重要特徵。睡眠狀態中出現不預期的身體活動,如腿部不寧症候群(restless legs syndrome, RLS)以及週期性肢體抽動症(periodic limb movements during sleep, PLMS),會影響睡眠品質而造成日間倦怠與嗜睡感。

許多學者均提出了以非侵入性與非約束性監測睡眠身體活動的相關技術,其中以荷重元以及力感測器等力相關的感測技術為最常見的手法。荷重元裝設方便,多數研究中設置4顆荷重元於床腳,藉此量測床上受測者的身體活動程度[1-4]。力感測器也是睡眠身體活動研究中常見的感測器,Nishida [5]等人所設計的robotic bed,藉由221顆壓力感測器監測受測者呼吸、身體活動訊號、身體姿態等訊號。Van der Loos [6]等人以相似的概念設計了SleepSmart™系統,由一組包含54顆力感測器與溫度感測器的床墊所構成,可藉此觀察受測者身體重心位置與姿態、以及覺醒程度的評估。上述幾項睡眠身體活動監測系統需要建構大型的測試設備,並且需要於實驗室的環境下進行測試,在一般居家睡眠環境下設置與使用的難度較高。

以置於床面上的墊狀感測墊監測身體活動,也是另一種常應用於睡眠監測系統的技術,常被使用的技術為靜電荷感應床(static charge sensitive bed, SCSB)以及氣壓墊。靜電荷感應床利用兩片平行金屬片與木質夾層,形成類似電容的效果,使用時放置於床面上或床墊下的藉此監測受測者的生命訊號與身體活動情形[7-9].Watanabe [10]等人藉由床墊下的薄型氣壓感測墊的氣壓監測,評估床上受測者的身體與肢體活動等生命訊號。

光纖與導電纖維等新材料技術也可以應用於睡眠身體活動的監測上。Tamura [11]等人提出使用床面上佈置的三條光纖量測身體活動的概念,利用光纖受壓時的壓力變化可以反映出受測者的身體活動變化。Kimura [12]等人等人利用導電纖維所製成的條狀感測器交叉佈置於床面上,藉此監測受測者身體姿態、呼吸與心跳等生命訊號。藉由光纖與導電纖維等技術的應用,睡眠監測系統的身體活動感測器以類似床罩的方式整合於一般居家的睡眠環境中,以非察覺性的方式監測受測者的身體活動。

多項生理監測儀(polysomnographic, PSG)是目前睡眠研究與臨床診斷上的黃金標準。利用Rechtschaffen and Kales所提出的R-K法,對腦波圖(electroencephalogram, EEG)、眼動圖(electrooculogram, EOG)、與肌電圖(electromyogram, EMG)等訊號進行評估,對受測者睡眠狀態下的不同階段進行分期。雖然多項生理監測儀是目前廣為接受的診斷依據,但其監測設備需要由專業人員在特定的實驗室下進行,可能會因為不熟悉感而對於受測者的睡眠模式與睡眠品質造成影響,而無法反應受測者的實際狀況[13-14]

睡眠腕動量測技術於1979年所提出,藉由睡眠中腕動訊號的評估可以進行不同睡眠階段的判斷,Kayed [15]等人利用眼動訊號、肌電訊號、以及身體活動訊號三項參數評估清醒以及睡眠REMNREM等不同階段,其中身體活動的紀錄便是利用腕部活動監測達成。基於腕動量測技術所發展的腕動計為一手錶狀的穿戴裝置,腕動計可以應用於睡眠中REMNREM與清醒階段的鑑別[16-18]Ajilore [19]等人所設計的居家睡眠監測系統Nightcap,也利用眼部活動與身體活動紀錄進行清醒與NREMREM等睡眠階段的自動判斷。幾項針對腕動計準確率的測試實驗呈現相當好的結果,在實驗中使用多項生理監測儀與腕動計同時進行清醒/睡眠比對判斷,若以PSG判斷結果為標準,腕動計區別睡眠與清醒階段可以獲得相當不錯的可信度(agreement)80~90%[16, 18]。藉由文獻回顧本研究可以發現,腕動計的準確率雖然無法與多項生理監測儀相較,但其輕巧易穿戴的特性對睡眠狀態與清醒是一項相當有價值的工具,應用於清醒與睡眠的鑑別是相當靈敏的。

Choi [21]等人也利用類似腕動計的概念,設計了「身體活動監測床(bed actigraphy)」,藉由床腳下的四組荷重元記錄受測者床面上的身體活動,所收集到的資料藉由程式自動進行睡眠與清醒階段的判定。相較於腕動計僅收集到上肢的訊號,身體活動監測床更能全面性地呈現身體活動的程度,受測者不需要於身上穿戴任何的感測設備,在不影響受測者睡眠的前提下進行監測,在Choi等人的評估實驗中指出身體活動監測床呈現良好的可信度(95.2%),但是靈敏度(sensitivity)與正確預測率(positive predictive value)約為67(64.4%, 66.8%)

隨著網際網路技術的發展,利用遠距監測技術所發展的睡眠監測系統也是許多學者致力的研究領域。Kristo [22]等人所提出的網路傳輸協定,可以利用網路方式將遠端數部多項生理監測儀的監測資料,即時性傳送至睡眠實驗室中的集中式伺服器進行儲存並用以進行睡眠呼吸中止症的評估,藉由網路方式降低睡眠測試實驗所耗費的相關成本。Seo [23]等人開發了一套適合居家環境下使用的非侵入性遠距健康監測系統,利用心電圖、體重、身體活動、打呼等訊號的監測,評估受測者的健康與睡眠狀態。 Choi [24]等人利用心電圖,以及非察覺性的床上身體活動、鼾聲等感測器,針對臥室環境打造了非察覺性的睡眠評估系統。

大部分的居家健康監測系統所採用的是集中式的網路架構,利用集中式的中央伺服器進行資料儲存與分析。圖1所示為本文作者所發展的分散式居家健康監測系統架構圖[25],在此架構中以家庭(household)為遠距居家照護系統建置的基本單位,以具有接收感測訊號、資料儲存與分析、網路伺服功能的分散式健康資料伺服器DDS(Distributed Data Server, DDS)為核心。DDS中的的主要元件包含一PIC運算處理器(PIC18F6722, Microchip)EEPROM (24LC1025, Microchip)、以及網路晶片 (RTL8019AS, Realtek),具備網路web伺服器的功能。

如圖1所示,感測器擷取設置於居家環境中各式感測器的訊號,透過有線或無線的傳輸方式傳送至家中的DDS;經由微處理器運算後將生理訊號資訊儲存於MMC (Multi-Media-Card)記憶卡中儲存。經授權的使用者可以藉由瀏覽器與VB(Visual Basic)程式介面向DDS索取記憶卡中的生理資料。收集到的量測數值超過預設之正常範圍時,DDS將主動發送事件警訊(event alert)e-mail或手機簡訊服務(Short Message Service, SMS)等方式轉發至預設之聯絡人以進行處理。

1. 分散式遠距居家照護系統的資訊架構圖

有別於集中式資料庫架構的遠距居家照護系統,分散式遠距居家照護系統有以下幾項優勢:

(1)   分散式的遠距居家照護系統是理想中最小的遠距居家照護系統架構,可以很便利地在居家環境中依使用者需求自行裝設、使用此系統,不需要大規模的基礎建設。

(2)   使用者的健康資訊存放於家庭的DDS中,使用者可選擇自行管理健康資料,不需將資料上傳至居家健康照護服務機構的集中式資料庫,避免與居家健康照護服務機構產生互信的問題。

(3)   從技術面來看,此分散式架構中從產生資料的感測器到儲存資料的DDS之間傳輸路徑短,且都在居家環境中,外界干擾較少,資料傳輸的可靠度較高,即使網際網路連線中斷,DDS仍能持續接收、儲存資料,監測資料的完整性也較有保障。

(4)   如果仍有以集中式資料庫儲存、管理健康資料,以提供專業醫療照護服務的需求時,仍可將DDS設定為通訊閘道,主動將量測資料上傳,或由集中式資料庫定期以批次方式下載DDS中所儲存資料。

本文介紹基於遠距居家照護系統架構所建構之身體活動監測系統(Physical Activity Detecting Mat, PAD-Mat)的設計與製作,圖2所示為本研究中所設計PAD-Mat 的系統架構圖,與圖1中分散式遠距居家照護系統的資訊架構相同,以DDS為核心對前端上肢活動感測墊、身體活動感測墊、下肢活動感測墊所監測之訊號進行處理與記錄。醫師與照護者可以藉由瀏覽器介面或VB應用程式登入DDS瀏覽受測者身體活動與清醒/睡眠狀態等即時監測資料。另一方面,若系統察覺受測者躺置床上卻長時間沒有任何的活動跡象,事件驅動的警示(手機簡訊與E-mail)將發送至所設定的照護者以進行後續的處理。

2. PAD-Mat 系統架構圖

PAD-Mat 系統提供一種非察覺性與非約束性的睡眠身體活動監測方式,可用於離床/臥床監測以及睡眠中不預期的身體活動症等應用;本文中另提出一睡眠身體活動指標(sleep activity index, SAI),可應用於線上即時監測遠距使用者清醒與睡眠狀態的鑑別。

本文後續章節如下:第二章至第四章介紹PAD-Mat系統軟硬體與網路資訊架構的設計與製作,第五章為準確率評估實驗的結果與討論,第六章描述PAD-Mat可能的應用與本系統的優點評估。

2.     PAD-Mat設計與製作

如圖2所示,三個以導電纖維製作之身體活動感測墊分別放置於床面上上肢、腰臀部、下肢位置,藉此監測因身體不同部位的活動而造成感測墊的電阻值改變量。所監測到的訊號藉,由下列各節中所描述的睡眠身體活動演算法進行演算,藉此進行臥床/離床狀態、睡眠身體活動量、清醒/睡眠狀態的鑑別與評估。

2.1  身體活動監測墊設計與製作

身體活動監測墊由導電纖維[Ming Young Biomedical Corp., Taiwan]所製作而成,圖3與圖4PAD-Mat中兩種不同型態的身體活動感測墊形式。Type-A為肢體活動感測墊,用以監測上肢與下肢的活動量;而Type-B為軀體活動監測墊,用於如翻身、離床/臥床等身體活動量的監測。

睡眠狀態中的身體活動會造成感測墊的電阻變化,經過一簡單的分壓電路便能將電阻訊號轉換成電壓訊號提供DDS接收。為了提升感測的靈敏度,在外型上以類似小腸絨毛的概念所啟發,以突起的縐折方式增加電阻值變化的幅度,如圖3Type-A感測墊外型所示,用於上、下肢的肢體活動監測。如圖4所示的Type-B感測墊中多了一道泡棉夾層,使用者躺上後會因泡棉壓縮而造成感測墊部分接觸而大大降低電阻值,可明顯鑑別使用者臥床/離床的狀態。在實際使用上時三條感測墊依據圖5的方式佈置於床面上。

3(a). 軀體活動感測墊外觀(Type-A)

3(b). 軀體活動感測墊尺寸(Type-A)

4(a). 肢體活動感測墊外觀(Type-B)

4(b). 肢體活動感測墊尺寸(Type-B)

5. PAD-Mat設置方式

感測墊所獲得的類比電壓訊號經由PIC微處理器中的10-bit A/D數位類比轉換器以2KHz的取樣頻率進行轉換。經過一連串的平滑化的前處理過程後,藉由本文所提出的睡眠身體活動演算法進行身體活動與睡眠狀態的判別。圖6(a)所示為軀體活動感測墊所測得長度為16分鐘的原始訊號片段,圖中可以看到受測者因為身體活動而造成第2分鐘、第8分鐘、第13分鐘等三處的電壓訊號大幅變化。經由一連串以20筆動態平均所進行的訊號平滑化前處理後,再將由數據簡化的方式將資料量降低為每秒10筆的電壓值,如圖6(b)所示前處理後的訊號圖形。三個感測墊均以相同的前處理方式進行訊號的平滑化與簡化。

6(a). 軀體活動監測墊所監測的原始電壓訊號

6(b). 經由平滑化與簡化後的電壓訊號

2.2  臥床/離床狀態演算法

軀體活動感測墊除了身體活動量的感測之外,另一向功能是測試者離床/臥床狀態的監測。如圖7所示,當受測者躺在感測墊上時,其輸出電壓大幅下降;當使用者離床之後,感測墊輸出電壓回升至3.3 V。利用3.2V的臨界值可以做為離床/臥床的狀態判斷,低於3.2V臨界值的資料點被判讀為代碼“1”,反之則為“0” 本研究定義一項臥床代碼(In-bed Code),當每分鐘內臥床代碼“1”多於離床代碼“0”時,這一分鐘的片段將視為使用者臥床中(In-bed Code = 1),反之則為離床(In-bed Code = 0)

如圖7所示為整夜的睡眠監測結果,此位受測者於凌晨2:35 左右上床,隔日上午8:15左右離床。睡眠狀態中較激烈的身體活動可能會軀體活動感測墊電壓值劇烈的震盪,為了避免身體活動造成的影響,圖7中的使用者整夜的睡眠歷程經由離床/臥床演算法判斷之後記錄為一連串的臥床代碼,藉由臥床代碼的計算本研究可以得知此位受測者總臥床時間約為340分鐘。

7. In-bed Code by the body mat

2.3  身體活動量演算法

感測墊所獲得的電壓訊號經過一連串平滑化與簡化的前處理過程後,藉由身體活動演算法的評估,將電壓訊號辨視為身體活動訊號,其步驟如下:

(1)   計算每一點斜率的絕對值。如圖8(a)為圖6(b)中的訊號經由計算後的結果。

(2)   “1””0”的代碼定義斜率超過臨界值與低於臨界值的資料點。圖8(b)所示為圖8(a)中擷取8:158:2510秒鐘長度片段,一個身體活動在此區間中發生而造成斜率超過臨界值0.025並由演算法編碼為為一連串的”1”,代表軀體活動發生的片段。軀體活動感測墊的斜率臨界值為0.025,而上肢與下肢感測墊的斜率臨界值為0.02

(3)   加總每分鐘內編碼為“1”的活動片段並定義為軀體活動指標(Body Activity Index, BAI),代表每分鐘內身體活動維持的時間長度。圖8(c)為圖6(a)中的軀體感測墊訊號經由判斷後的結果,三個長度為1.5秒、1.2秒、1.5秒的軀體活動被成功辨識出。

8(a). 軀體活動訊號取斜率絕對值後的結果(16分鐘)

8(b). 軀體活動代碼(臨界值=0.025

8(c). 軀體活動參數歷程

依據相同的步驟,上肢與下肢活動量分別由上肢活動量指標(Upper Limb Activity Index, ULAI)以及下肢活動量指標(Leg Activity Index, LAI)代表每分鐘內活動量的大小。圖9所視為7.5小時長度的整夜睡眠歷程,由PAD-Mat感測墊所監測的身體活動訊號經分析後以ULAIBAILAI三個指標,代表分鐘內身體活動的程度。這些身體活動量指標可以應用於RLSPLMS等睡眠中不預期肢體活動症的評估。

9. Activity indexes of a subject from 0:30 to 8:00 AM

3.     清醒/睡眠狀態演算法

相較於清醒狀態中較頻繁的身體活動,睡眠狀態中的身體活動量較少,多數時間屬於靜止的狀態,身體活動量隨著睡眠階段IIV期而遞減[26]

1970年代末期腕動監測技術的發明以來,相當多的研究利用腕動計進行人體清醒與睡眠狀態的判斷。Jean-Louis [27]等人利用相當簡單的演算法進行使用者睡眠的判別,當超過3分鐘沒有身體活動視為受測者進入睡眠狀態,反之則為清醒。Cole [28]等人提出兩項辨識睡眠的規則:(1)如果長度1分鐘、3分鐘、4分鐘的睡眠片段隨後跟隨著4分鐘、10分鐘、15分鐘以上的清醒片段,則前述的睡眠片段將重新定義為清醒狀態;(2)若一長度6分鐘的睡眠片段的前後共有超過10分鐘的清醒片段,則此睡眠片段將重新定義為清醒狀態;長度10分鐘的睡眠片段若前後共有超過20分鐘的清醒片段,則重新定義為清醒狀態。Sadeh [29]等人使用邏輯迴歸分析方式,建立五項身體活動量參數(原始值、平均值、標準差、超過臨界值片段的長度、自然對數)與PSG腦波清醒/睡眠階段判別的關連性。多數睡眠身體活動監測技術也是使用類似前述的演算法,建立身體活動量與睡眠狀態的關連性,進行清醒與睡眠狀態的評估。

Rachwalski [30]等人設計一置於受測者枕頭下方的壓力感測墊進行睡眠中身體活動的感測。這項系統中每30秒長度的資料為一個區間片段,當有連續三分鐘有身體活動訊號產生視為清醒狀態。Choi [21]等人所設計的身體活動監測床中將身體活動量超過臨界值的片段視為“1”,如果30秒鐘內“1”出現的長度超過3秒,受測者將被視為清醒狀態。

總結而言,因為睡眠與清醒並非快速變換的兩個階段,身體活動的總量與趨勢性在睡眠與清醒的鑑別上是必須考量的兩個因素。在本文中利用前述PAD-Mat所獲得的三項身體活動指標ULAIBAILAI,進行受測者清醒與睡眠狀態的判別。考量到睡眠狀態的趨勢性,本研究以如式(1)的計算式進行身體活動量的加權指標計算,其中k值代表所考慮的趨勢時間長度,以k=5為例,代表加權BAI指標(weighted-BAI)是以前5分鐘的BAI值進行如式(2)所示的計算。

                                         (1)

        (2)

本研究以5位受測者同時由PSG腦波判斷清醒/睡眠片段的結果,以及PAD-Mat所評估的身體活動指標,進行身體活動與睡眠狀態關聯性的建立。PSG的監測資料是以30秒為一單位,在本測試實驗中本研究定義每分鐘內有兩個睡眠片段則定義為睡眠參數(Sleep Value)“0”;每分鐘內有兩個清醒片段視為睡眠參數“1”;每分鐘內有一個睡眠一個清醒片段則視為睡眠參數“0.5”,以此方式將PSG的資料進行量化編碼。本研究藉由迴歸分析的方式分析5位受測者的整夜睡眠歷程,每位受測者由隨機抽樣的方式選取合計80分鐘的片段進行分析,表1為分析結果整理表,可以發現k=5時的結果較為顯著,因此本文中加權身體活動指標的計算是必須考慮前5分鐘的活動量進行計算。另一項發現是在PAD-Mat三項活動量的指標當中,上肢活動指標ULAI與睡眠的關聯性是不顯著的(p>0.05),因此在本文中所提出的睡眠指標計算式如式(3)所示,僅以加權BAI指標與加權LAI指標進行計算。

    Sleep Value = 0.6590.028 W-BAI0.026 W-LAI                               (3)

10所視為一受測者夜間8小時的睡眠歷程紀錄,其中各加權身體活動指標以及睡眠參數的計算是根據前述式(1)(2)(3)的方式進行計算,超過臨界值0.5的睡眠參數視為睡眠狀態,睡眠代碼(Sleep code=1)1

1. 不同k值下的迴歸分析結果

k value

Significant

W-ULAI

W-BAI

W-LAI

1

N (P=0.919)

N (P=0.195)

N (P=0.214)

2

N (P=0.125)

N (P=0.559)

Y (P=0.032)

3

N (P=0.082)

N (P=0.085)

Y (P=0.079)

4

N (P=0.087)

Y (P=0.010)

N (P=0.258)

5

N (P=0.390)

Y (P=0.008)

Y (P=0.002)

6

N (P=0.165)

Y (P=0.049)

Y (P=0.019)

10. W-BAI, W-LAI 與睡眠參數歷程圖(0:00 to 8:00AM)

11為一長度8小時的睡眠歷程(0:00 to 8:00 AM),為圖10中的數據經由演算法判斷後的臥床代碼與睡眠代碼歷程。經由臥床代碼與睡眠代碼的綜合判斷,本研究可以定義出測試者的三種睡眠狀態:睡眠狀態“2”代表使用者為睡眠狀態,使用者臥床(in-bed code=1)且同時睡眠中(sleep code=1);睡眠狀態“1”代表使用者為清醒狀態,使用者臥床(in-bed code=1)且同時清醒中(sleep code=0);睡眠狀態“0”代表使用者並未躺在床上,使用者臥床(in-bed code=0)。根據圖11的整夜歷程圖,此位者用者於凌晨0:34左右上床,而於0:40左右入睡。經過6小時的睡眠,於上午6:50左右清醒並離床。

11. PAD-Mat 所判斷的In-bed CodeSleep CodeSleep States整夜歷程

4.     使用者介面與網路架構設計與製作

12PAD-Mat系統的使用者軟體介面,醫師與照護者可以利用遠端的VB程式登入PAD-Mat系統中的DDS伺服器擷取即時性或是歷史睡眠監測資料。圖13PAD-Mat系統的軟體介面,在選定使用者IP位置後點擊“real-time”按鈕,各遠端受測者的即時身體活動監測與睡眠狀態等資料便會顯示於介面上左側。

此軟體介面右側為進階分析的功能,醫師與照護者從左方位置點選特定使用者後,經由點選日期與時間區間的定義可以下載整夜的睡眠監測資料進行分析與評估,包括上床時間、入睡時間、睡眠潛伏期、總睡眠時間等評估報告,以及整夜的睡眠歷程、身體活動歷程圖表。

除了睡眠狀態中的不預期的肢體活動症評估之外,PAD-Mat的監測結果也可以用來進行身體姿態改變的評估。圖14為某一植物人於護理之家中連續三天的監測歷程圖,為了防止褥瘡的發生,護理人員必須定時每2個小時為病人進行翻身拍背一次,家屬與護理人員可以藉由圖14的分析圖表,瞭解患者是否定時進行翻身拍背的動作,可藉此協助護理人員管理上的負擔,並且維持良好的照護品質。

12. PAD-Mat的網路資訊架構

13. Pad-Mat VB使用者介面

14. 護理之家中植物人患者的三天使用歷程

5.     PAD-Mat評估測試

本研究隨機選擇4位正常睡眠以及4位夜間離床受測者進行PAD-Mat評估測試實驗,由PAD-Mat所判別的清醒與睡眠結果同時與PSG的判斷結果進行比對。圖15為一正常睡眠受測者B的睡眠歷程圖,圖16為一夜間離床受測者A的睡眠歷程圖,其中PAD-Mat睡眠狀態的判斷是PAD-Mat依據前述睡眠代碼與臥床代碼進行空床、清醒、睡眠三種狀態的判定;而PSG是根據腦波訊號進行睡眠與清醒判斷的評估。正常睡眠受測者B入睡後直到上午7點方才離床;而夜間離床受測者在5點左右離床上廁所耗費約4分鐘的時間。

15. PAD-MatPSG 的測試結果比對(正常睡眠受測者B)

16. PAD-MatPSG 的測試結果比對(夜間離床受測者A)

2Pad-MatPSG每分鐘測試結果逐一比對的準確率比較表。當PSG判定為睡眠且PAD-Mat也判定為睡眠時,本研究以TP(True Positive)代表此分鐘的比對結果是相同的;如果同時均判斷為清醒或離床,則標記為TN(True Negative )。當PAD-MatPSG判斷結果不同時,僅PAD-Mat判定為睡眠而PSG判定為清醒時標記為FP(False Positive)代表偽陽性;僅PSG判定為睡眠而PAD-Mat判定為清醒時標記為FN(False Negative)代表偽陰性。

藉由上述TPTNFPFN的分析,本研究可以進行靈敏度(sensitivity)、正確預測率(positive predictive value)、特異度(specificity)的評估。其中靈敏度的計算為(TP/(TP+FN))、正確預測率的式為(TP/(TP+FP)、特異度的式為(TN/(FP+TN))。本文前述8位受測者的測試實驗中,PAD-Mat在睡眠片段判斷上的平均靈敏度為89.5%、正確預測率為94.8%、特異度為84.3%

2. PAD-Mat性能評估測試

Group

ID

Sleep Time

TP

FN

FP

Sensitivity

PPV

Non-Sleep Time

TN

Specificity

Normal

A

372

261

28

8

90.3%

97.0%

83

75

90.4%

B

438

275

42

20

86.8%

93.2%

121

101

83.5%

C

402

296

25

2

92.2%

99.3%

81

79

97.5%

D

554

320

40

39

88.9%

89.1%

194

155

79.9%

Arousal

A

622

426

68

20

86.2%

95.5%

128

108

84.4%

B

399

283

8

32

97.3%

89.8%

108

76

70.4%

C

479

319

68

13

82.4%

96.1%

92

79

85.9%

D

267

259

8

0

97.0%

100%

70

66

94.3%

8 subjects

3533

2439

287

134

89.5%

94.8%

877

739

84.3%

6.     結論

腕動監測技術發展以來,相當多的學者試圖建立身體活動量與睡眠狀態間的關聯性,期能藉由身體活動的監測判斷使用者清醒與睡眠的狀態,相關技術也被應用於多項居家環境下睡眠監測系統的市售產品中。

本文所設計的可攜式睡眠身體活動監測系統PAD-Mat,利用非察覺性與非約束性的設計進行睡眠監測。除了身體活動的量化指標之外,藉由各睡眠活動演算法可以對受測者的睡眠狀態(空床、清醒、睡眠)進行評估,提供使用者整夜完整的睡眠歷程以供後續的評估與診斷需求。

有別於一般傳統的集中式中央伺服架構,PAD-Mat系統為分散式遠距照護系統架構下的應用設計,其特性在於易安裝設置的可攜式、較低的建構成本、較高的資料安全性與可靠度,十分適合於居家環境中進行長期、持續性的睡眠監測。

PAD-Mat系統除了在睡眠品質評估上的應用之外,也可以應用於護理之家與安養院等環境,利用遠端VB介面,照護者可以即時性監測所有住民的活動狀態,如離床/臥床、生命跡象、身體姿態改變(翻身拍背)等,輔助護理人員在住民管理上的協助。

References

[1]       Wheatley, D.W., Berme, N., and Ferguson-Pell, M.W., 1980, “A low-profile load transducer for monitoring movement”, Experimental Mechanics, v. 20, n. 6, pp.19-20.

[2]       Barbenel, J.C., Ferguson-Pell, M.W., and Beale, A.Q., 1985, “Monitoring the mobility of patients in bed”, Medical and Biological Engineering and Computing, v. 23, n. 5, pp. 466-468.

[3]       Choi, J.M.; Choi, B.H.; Seo, J.W.; Sohn, R.H.; Ryu, M.S.; Yi, W.; Park, K.S., 2004, “A System for Ubiquitous Health Monitoring in the Bedroom via a Bluetooth Network and Wireless LAN”, Engineering in Medicine and Biology Society, 2004. EMBC 2004. Conference Proceedings. 26th Annual International Conference of the IEEE, v. 2, pp. 3362-3365.

[4]       Adami, A.M., Hayes, T.L., Pavel, M., Singer, C.M., 2005, “Detection and classification of movements in bed using load cells”, IEEE 27th Annual International Conference of the Engineering in Medicine and Biology Society, pp.589-592.

[5]       Nishida, Y., Takeda, M., Mori, T., Mizoguchi, H. and Sato, T., 1997, “Monitoring patient respiration and posture using human symbiosis system,” Proceedings of the 1997 IEEE International Conference on Intelligent Robots and Systems, v. 2, pp. 632-639.

[6]       Van der Loos, H.F., Ullrich, N., and Kobayashi, H., 2004, “Development of Sensate and Robotic Bed Technologies for Vital Signs Monitoring and Sleep Quality Improvement”, Autonomous Robots, v. 15, n. 1, pp.67-79.

[7]       Alihanka, J., and Vaahtoranta, K., 1979, “A Static Charge Sensitive Bed - A New Method for Recording Body Movements during Sleep”, Electroencephalography and Clinical Neurophysiology, v. 46, pp. 731-734.

[8]       Rauhala, E., Erkinjuntti, M., and Polo, O., 1996, “Detection of Periodic Leg Movements with a Static-Charge-Sensitive Bed”, Journal of Sleep Research, v. 5, pp. 246-250.

[9]       Kaartinen, J., Kuhlman, I., and Peura, P., 2003, “Long-term Monitoring of Movements in Bed and Their Relation to Subjective Sleep Quality”, Sleep and Hypnosis, v. 5, n. 3, pp. 145-153.

[10]   Watanabe, K., Watanabe, T., Watanabe, H., Ando, H., Ishikawa, T., and Kobayashi, K., 2005, “Noninvasive measurement of heartbeat, respiration, snoring and body movements of a subject in bed via a pneumatic method”, IEEE Transactions on Biomedical Engineering, v. 52, pp. 2100-2107.

[11]   Tamura, T., Nishigaichi, A., and Nomura, T., 1992, “Monitoring of body movement during sleep in bed,” Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, v.14, pp. 1483-1484.

[12]   Kimura, H., Kobayashi, H., Kawabata, K., and Van der Loos, H.F., 2004, “Development of an unobtrusive vital signs detection system using conductive fiber sensors”, Proceedings. 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems, v. 1, pp. 307- 312.

[13]   Reynolds, C. F., III Grochocinski, V. J., Monk, T. H., Buysse, D. J., Giles, D. E., Coble, P. A., Matzzie, J.V., Doman, J., Monahan, J., and Kupfer, D.J., 1992, “Concordance between habitual sleep times and laboratory recording schedules”, Sleep, v. 15, pp. 571–575.

[14]   Riedel, B. W., Winfield, C. and Lichstein, K. L., 1998, “Anxiety and first night effect in older insomniacs”, Sleep, v.21, pp. 131.

[15]   Kayed, K., Hesla, P.E., and Rosjo, O., 1979, “The actioculographic monitor of sleep”, Sleep, v. 2, n. 2, pp.253-260.

[16]   Hauri, P.J.and Wisbey. J., 1992, “Wrist actigraphy in insomnia”, Sleep, v. 15, n. 4, pp. 293-301.

[17]   Emilia, S., Monica, Z., Christophe, P., and Jean, K., 1999, “Actigraphy and Leg Movements During Sleep: A Validation Study”, Journal of Clinical Neurophysiology., v. 16, n. 2, pp.154-160.

[18]   Ancoli-Israel, S., Cole, R., Alessi, C., Chambers, M., Moorcroft, W. and Pollak, C.P., 2003, ”The role of actigraphy in the study of sleep and circadian rhythms”, Sleep, v. 26, n. 3, pp. 342-92.

[19]   Ajilore, O., Stickgold, R., Rittenhouse, C.D. and Hobson, J.A., 1995, “Nightcap: laboratory and home-based evaluation of a portable sleep monitor”, Psychophysiology, v. 32, n. 1, pp.92-98.

[20]   Sadeh, A., Hauri, P.J., Kripke, D.F. and Lavie, P., 1995, “The role of actigraphy in the evaluation of sleep disorders”, Sleep, v. 18, pp. 288-302.

[21]   Choi, B H., Seo, J. W., Choi, J. M., Shin, H. B., Lee, J. Y., Jeong, D. U. and Park, K. S., 2007, “Non-constraining sleep/wake monitoring system using bed actigraphy”, Medical and biological engineering and computing, 2007, v. 45, n. 1, pp. 107-14.

[22]   Kristo, D. A., Eliasson, A. H., Poropatich, R. K., Netzer, C. M., Bradley, J. P., Loube, D. I. and Netzer, N. C., 2001, “Telemedicine in the Sleep Laboratory: Feasibility and Economic Advantages of Polysomnograms Transferred Online”, Telemedicine and e-Health, v. 7, n. 3, pp. 219-224.

[23]   Seo, J., Choi, J., Choi, B., Jeong, D.U. and Park, K., 2005, “The development of a nonintrusive home-based physiologic signal measurement system”, Telemedicine and e-Health, v. 11, n. 4, pp.487-95.

[24]   Choi, J.M., Choi, B.H., Seo, J.W., Sohn, R.H., Ryu, M.S., Yi, W., and Park, K.S., 2004, “A system for ubiquitous health monitoring in the bedroom via a bluetooth network and wireless LAN”, Proceedings of the IEEE 26th Annual International Conference on Engineering in Medicine and Biology Society, v. 2, pp. 3362-3365.

[25]   Hsu, Y. L., Yang, C. C., Tsai, T. C., Cheng, C. M. and Wu, C. H., 2007, “Development of a Decentralized Home Telehealth Monitoring System”, Telemedicine and e-Health, v. 13, n.1, pp. 69-78.

[26]   Chokroverty, S., Hening, W.A., and Walters, A.S., 2003, Sleep and Movement Disorders, Philadelphia, Elsevier Science.

[27]   Jean-Louis, G., von Gizycki, H., Zizi, F., Fookson, J., Spielman, A., and Nunes, J., 1996, “Determination of Sleep and Wakefulness With the Actigraph Data Analysis Software(ADAS)”, Sleep, v. 19, n. 9, pp. 739-743.

[28]   Cole, R.J., Kripke, D.F., Gruen, W., Mullaney, D.J. and Gillin, J.C., 1992, “Automatic sleep/wake identification from wrist activity”, Sleep, v. 15, n. 5, pp. 461-469.

[29]   Sadeh, A., Hauri, P. J., Kripke, D. F., and Lavie, P., 1995, “The role of actigraphy in the evaluation of sleep disorders”, Sleep, v. 18, pp. 288-302.

[30]   Rachwalski, T., Irvine, S., Steeper, J.W.T., Inkster, D.R., and Wells, C., 2005, “Poor quality of Sseep is a precursor of mobility-related adverse events”, Proceedings of Evidence-based strategies for Patient Falls and Wandering 2005.