//Logo Image
作者:鄭智銘(2008-12-08);推薦:徐業良(2009-10-30)

可攜式遠距睡眠鼾聲與呼吸中止症監測系統設計與製作

摘要

Snoring is a very common problem and a possible sign of obstructive sleep apnea syndrome (OSAS). In clinical practice, the use of PSG (polysomnographic) recording is a standard evaluation procedure for sleep-related breathing disorder (SRBD). However, PSG is not suitable for long term monitoring in the home environment. This paper describes the development of a portable tele-monitoring device that detects and identifies snoring and OSAS symptoms in real time by analyzing the temporal feature of the snoring sound. The device itself also serves as a web server. Doctors and caregivers can access real-time and historical data via an IE browser or a remote application program for tele-monitoring of snoring and OSAS symptoms, while the patients stay in their own homes.

In our validation test with 5 regular snorers and 5 OSAS patients, this detector showed a good performance in detecting snoring and achieved an average sensitivity of 94.0% and an average positive predictive value of 94.0%. The average sensitivity of OSAS segments was 81.1%, and the average positive predictive value was 73.3%. This device is not intended to be a diagnosis device for OSAS, instead, this portable device is to be used as a home tele-health tool as a precautionary measure for monitoring snoring and OSAS. Once OSAS symptoms are detected, a sound recorder records a one-minute episode, so that the patient can consult doctors for further diagnosis. This portable tele-monitoring device provides a convenient approach to better understand and recognize sleep-related breathing disorders through long term sleep monitoring in the home environment.

Keywords: home tele-health, snore, OSAS.

1.     研究背景

鼾聲是常見的睡眠問題也是睡眠呼吸相關疾病的可能徵兆。間斷鼾聲(Intermittent snoring)以及血氧濃度(oxyhaemoglobin saturation, SaO2)的下降是阻塞式睡眠呼吸中止症(obstructive sleep apnea syndrome, OSAS)的主要特徵。在臨床診斷上多項生理監測儀(polysomnographic, PSG)測試是評估睡眠呼吸相關疾病的標準程序,受測者配戴血氧濃度、鼻部氣流、胸腹腔呼吸帶、鼾聲監測等感測器於特定實驗中進行整夜的睡眠監測記錄,護理人員於記錄完成後以離線方式,利用人工或電腦軟體判讀受測者的睡眠監測資料。

許多研究希望開發適合在居家環境中長期監測鼾聲與OSAS的設備。在這個領域中以麥克風收集受測者鼾聲,並進行頻譜或時域特性的分析為主流的研究方向,主要是因為鼾聲的頻率屬於低頻的範圍,而多數鼾聲像呼吸一樣具有持續、規律性的特性。Jane等人[1]利用類神經網路設計了一套自動監測鼾聲的電腦系統,藉由22項聲音特徵的輸入,判別鼾聲與一般呼吸聲音的差異,在這項演算法的準確率評估實驗中,由30位鼾聲患者的鼾聲資料庫中隨機挑選了500個鼾聲訊號進行評估,平均靈敏度為82%,而正確預測率為90%Solà-Soler等人[2]則是利用邏輯迴歸模型,以聲音的密度與頻譜特性,建立一般鼾聲患者與OSAS患者的判別系統;此模型參數經過校準後,可以100%篩選出呼吸中止症病患,但仍有57.1%的一般鼾聲患者被誤認為OSAS病患。利用聲音特徵分析做作鼾聲監測的優點,是不需要在受測者身上黏貼大量的感測器,受測者是在非拘束性甚至非察覺性的狀態下,進行睡眠呼吸相關疾病的評估。

隨著微處理器技術的發展,相關的監測技術不必再需要仰賴電腦的運算能力,從1990年代初期開始,更輕巧、可攜式的監測設備得以實現,如Cohen[3]便以微處理器架構為基礎,設計了客觀、定量的鼾聲分析演算法;Penzel等人[4, 5]也建構了一套適合居家環境中使用的睡眠呼吸監測系統,名為“MESAM IV”(MAP; Martinsried, Germany)以數位方式記錄血氧濃度、心跳、鼾聲、身體姿勢,應用於鼾聲與OSAS等睡眠疾病的判斷。在MESAM IV的判斷法則中,鼾聲是以其聲音低頻的特性進行判斷,當聲音在50~800Hz的低頻比例超過50%時,便被認定為鼾聲。在OSAS的監測上,MESAM IV也利用間斷鼾聲進行判斷,當偵測到鼾聲因呼吸道阻塞而暫停5~60秒,隨後又恢復的這種鼾聲-間斷-鼾聲的特徵,便稱為「間斷性鼾聲(intermittent snoring)」,可以視為OSAS的徵兆。MESAM IV利用血氧濃度、心率變化、間斷鼾聲等指標進行OSAS的評估。幾項利用MESAM IV進行的研究中指出MESAM IV具有良好的靈敏度(sensitivity)介於92%-96%之間,但是特異性(specificity)較差落於16%-27%[6-10]。輕巧的MESAM IV具有記憶體可以儲存18小時的睡眠生理訊號紀錄,可以應用於家庭環境中進行睡眠監測。

聲響警示與電刺激常被應用來降低鼾聲或呼吸中止症發生的頻率。Kermit [11]等人所設計的呼吸中止症監測器中利用聲響的方式警示睡夢中的患者,患者受到聲響刺激而恢復呼吸,降低呼吸中止症的發生頻率。Çavuşoğlu [12]等人也應用了相似的概念設計了鼻部氣流監測系統,當鼻部氣流少於臨界值時系統會以聲響警示方式刺激使用者。Miki [13]等人則是用低週波電脈衝刺激的方式降低患者OSAS的發生頻率,當系統偵測到長度超過5秒的呼吸中止徵狀,系統會以頻率50 Hz的低週波脈衝刺激使用者皮膚,當呼吸恢復10秒後停止。這項系統經測試評估後發現,使用者血氧濃度低於85%的機率顯著地減少。Guilleminault [14]等人所設計的系統中也應用了相同的低週波脈衝方式,當呼吸中止超過5秒時系統以電脈衝刺激使用者,在呼吸恢復後隨即停止。

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 [15]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 [16]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 [17]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[18],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可攜式鼾聲與呼吸中止症監測系統的設計與製作,系統簡稱為SOD (Snoring and OSAS symptom Detector)

SOD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,對受測者鼾聲、呼吸中止症發生的可能性進行評估。圖2所示為本研究中所設計SOD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為核心對麥克風所監測之聲音訊號進行處理與分析,並藉由演算法進行鼾聲與阻塞式呼吸中止症徵狀的監測。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。SOD將所監測到鼾聲與呼吸中止症頻率記錄於MMC (Multi-Media-Card)記憶卡中,醫師與照護者可以藉由瀏覽器介面或VB應用程式登入DDS瀏覽受測者鼾聲與呼吸中止症發生的即時資料以及歷程分析。

SOD系統提供一種適合居家環境下監測鼾聲與呼吸中止症的可行方法,藉由長期、持續性的監測可以即早發現可能的OSAS病徵,提醒患者進一步向醫師尋求專業的醫療協助。除了OSAS的評估之外,SOD可以外接一低週波刺激器與錄音模組。低週波刺激器在偵測到OSAS的同時會以低週波方式刺激使用者,藉此降低OSAS發生的機率;而錄音模組在OSAS發生時會自動啟動錄音功能,受測者可以將SOD所錄得的OSAS聲音檔案提供醫師進行醫療上專業的評估。當OSAS徵狀出現時,也可以設定SOD觸發異常事件驅動的警示(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. SOD系統架構圖

本文第2節至第3節介紹SOD系統軟硬體與網路資訊架構的設計與製作,第4節為準確率評估實驗的結果與討論,第5節描述SOD可能的應用與本系統優點與限制評估。

2.     鼾聲與呼吸中止症偵測演算法

如圖2所示,本系統採用一個響應頻率為50-30,000Hz的無指向性麥克風為SOD前端的感測單元,用以監測睡眠中的聲音訊號。隨後藉由一個五階的低通濾波器保留低頻200Hz以下的訊號。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,藉由本文所提出的鼾聲與呼吸中止症演算法進行判別。

2.1 平滑化與簡化前處理

3(a)所示為SOD所監測30秒鼾聲紀錄,藉由下列幾道前處理程序將訊號進行平滑化與簡化:

(1)   計算輸入訊號與麥克風電壓基線的差異值,藉此去除麥克風偏壓的影響(圖3(a))。

(2)   對上述差異值取絕對值,藉此獲得所有正數值(圖3(b))。

(3)   20筆移動平均的方式對訊號進行平滑化的處理。

(4)   由數據簡化的方式將資料量降低為每秒10筆的電壓值(圖3(c))。

3(a). 麥克風輸入訊號與偏壓值

3(b). 對進行輸入訊號對偏壓值的差異值取絕對值

3(c). 平滑化與簡化後的輸入訊號

2.2 鼾聲偵測演算法

麥克風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,藉由鼾聲偵測演算法進行鼾聲訊號的辨別,其步驟如下:

(1)   計算每一點斜率值,如圖4(a)為圖3(c)中的訊號經由計算後的結果。

(2)   將資料進行編碼,超過臨界值0.003的資料視為“1”,低於臨界值為“0”。圖4(b)為圖4(a)中期中兩個鼾聲訊號經由斜率值計算後所獲得的斜率圖譜。

(3)   將斜率圖譜中符合鼾聲特徵的片段辨視為鼾聲訊號。圖4(c)所示為圖4(a)中電壓訊號經辨別為8個鼾聲訊號的結果。當偵測出鼾聲時,SOD會產生鼾聲代碼snore code=1的輸出值。

4(a). 鼾聲電壓訊號的斜率值計算

4(b). 鼾聲訊號的斜率圖譜(臨界值=0.003

4(c). 利用斜率圖譜方法辨識出的鼾聲訊號

為了定義鼾聲的長度,本研究中由5位經由診斷為鼾聲患者的樣本中,隨機選取了5024個鼾聲樣本進行分析。使用上述0.003臨界值進行斜率圖譜編碼後發現,99%的鼾聲長度為0.6秒至1.8秒間,這項結果也被應用在SOD偵測鼾聲訊號的演算法中。

2.3 OSAS徵狀偵測演算法

5所示為典型的OSAS聲音波形,圖中患者的鼾聲因阻塞而停止約34秒後恢復呼吸。臨床上使用AHI(Apnea-Hypopnea Index)指標作為OSAS嚴重程度的評估方式,代表每小時中呼吸中止或不完全的頻率。在前文所提到的MESAM IV系統利用間斷鼾聲指標ISI (Intermittent Snoring Index),以10-60長度間斷鼾聲的發生頻率,評估OSAS的可能性[4-5]

5. 典型的OSAS聲音波形

評估OSAS所使用的AHIISI指標因為需要累積一個小時以上的資料進行分析,通常是採取離線分析的方式所進行。為了實驗即時偵測OSAS徵狀的需求,本文提出另一項間斷鼾聲比例ISR(Intermittent Snoring Ratio)作為OSAS判定的依據。ISR的計算方式如式(1)所示,定義為每分鐘內間斷鼾聲次數與所有鼾聲次數發生的比率,ISR越高代表該分鐘內發生OSAS的可能性越大。

        ISR = intermittent snore counts / total snore counts                            (1)

本研究以加權ISR(W-ISR)指標描述OSAS在趨勢上的特性,如式(2)所示,加權ISR以該分鐘與前4分鐘的ISR值進行加權計算。

   (2)

較高的W-ISR代表前五分鐘內發生間斷鼾聲的比例較高,該分鐘發生OSAS的機率相對較大。W-ISR的最大值為1,代表過去5分鐘內所有發生過的鼾聲均為間斷鼾聲。本研究中SOD分析麥克風所擷取的鼾聲訊號,經由分析之後以0.25作為W-ISR的臨界值,高過此臨界值代表該分鐘內OSAS發生的機率相當高。

6與圖7分別為一般鼾聲患者與OSAS患者整晚6小時的W-ISR歷程圖,可以發現一般鼾聲患者的W-ISR值多數低於0.25的臨界值,而OSAS患者多數的W-ISR值均高於臨界值。圖8SODPSG同時進行OSAS徵狀判斷的結果比較圖,可以發現SODW-ISR進行評估的結果與PSG以血氧、鼻部氣流、胸腔呼吸帶的判斷結果相當類似。

6. 一般鼾聲患者的W-ISR歷程圖(0:00 to 6:00AM)

7. OSAS患者的W-ISR歷程圖(0:00 to 6:00AM)

8. SOD and PSG進行OSAS徵狀偵測的結果比較圖

3.     使用者介面與網路架構設計與製作

9所示為本研究中所設計的SOD裝置原型。SOD為適合於居家環境中的監測系統,設置上相當簡便,僅需插上電源與網路線經設定後便可以使用。受測者每分鐘的的鼾聲次數、間斷鼾聲次數、W-ISR值均會顯示於LCD顯示幕上並同時儲存於MMC卡中。圖10所示為SOD的兩項外接的設備,錄音模組與低週波刺激器(TENS SW32012, SHINMED),可以視需要接上使用。當OSAS徵狀發生時,SOD會藉由低週波模組發送低週波訊號刺激使用者皮膚,藉此降低OSAS發生的可能性;而OSAS徵狀發生的同時,SOD也會啟動錄音模組錄製一分鐘長度的聲音片段,可提供醫師進行進一步的評估。

9. SOD原型

10. SOD的兩項外接模組

11SOD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SOD系統中的DDS伺服器擷取即時性或是歷史睡眠監測資料。圖12(a)SOD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鼾聲次數、間斷鼾聲次數、W-ISR值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,包括總鼾聲次數、總間斷鼾聲次數、總OSAS發生時間等評估報告,以及整夜的歷程圖表(12(b)-(d))

11. SOD的網路資訊架構

12(a). SODVB軟體介面

12(b). 整夜的鼾聲歷程

12(c). 整夜的間斷鼾聲歷程

12(d). 整夜的OSAS徵狀歷程

4.     SOD評估測試

SOD的評估測試實驗中,以5位一般鼾聲患者與5OSAS患者為樣本,分別針對鼾聲偵測的準確率以及OSAS偵測的準確率設計了兩個實驗。

在鼾聲偵測實驗中,本研究以錄影設備與麥克風錄製10位受測者整夜的睡眠紀錄,並同時以SOD進行鼾聲判斷,最後的實驗結果以人工判讀鼾聲的結果為基準,對SOD的準確率進行評估。這項測試實驗的一項困難點是以人工方式判斷鼾聲無法有客觀的基礎,Hoffstein [19]等人的研究中也曾指出鼾聲量化的困難點在於人為主觀的影響,他使用25位鼾聲患者長度20分鐘的聲音樣本,提供兩位受過訓練的鼾聲判定人員以及PSG設備進行鼾聲判斷,結果發現由兩位鼾聲判定員的判定結果差異相當大,其中7位的判定結果差異性超過25%。為了減少本實驗中人為主觀因素的影響,如圖13所示,測試過程中全程以分貝計(TES 1350A, TES Electrical Electronic Corp.)進行憨聲音量的測定,大於60db的鼾聲一律納入統計,而小於60db的鼾聲則由判定者依據自身觀感進行判定。同時間,攝影機紀錄SOD上的LED燈號,藉此比對人工判定與SOD判定結果的差異性。

測試結果由相同一位受過訓練的鼾聲判定員進行人工比對,當SOD與判定員均測得鼾聲時記錄為TP(True Positive);人工判定鼾聲但SOD無測得鼾聲時記錄為FN(False Negative)FP(False Positive)則是代表SOD判斷為鼾聲訊號但人工判定為非鼾聲訊號。表1為測試結果的統計表,在10位受測者的鼾聲樣本判定上,SOD有相當好的平均靈敏度(sensitivity)94.0%(範圍為83.4%-99.8%)以及相當好的正確預測率(average positive predictive value, PPV) 94.0%(範圍為83.3%-99.9%)。

第二實驗是針對OSAS判定結果的評估實驗,本研究以SODPSG同步測試的測試結果進行逐一比對,當PSGSOD均認定該分鐘為OSAS時記錄為TP(True Positive)PSG判定OSASSOD無測得OSAS時記錄為FN(False Negative)FP(False Positive)則是代表SOD判斷為OSAS訊號但PSG判定為非OSAS。表2為測試結果的統計表,在5OSAS患者的OSAS判定中,平均靈敏度為81.1%(範圍為62.2%-96.3%)而平均正確預測率為73.3%(範圍為41.6%-93.6%)。

同時本研究也選擇5位一般鼾聲患者進行OSAS的判定實驗,如表3所示,在非OSAS判定上,SOD的平均靈敏度為81.1%,代表有18.9%的機會會將患者誤認為OSAS病患。

13. 鼾聲判定實驗的測試環境隅測試設備

1. 鼾聲判定的評估結果統計

Group

Patient

Total Snores

TP

FN

FP

Sensitivity

PPV

Regular Snorers

Snorer A

547

456

91

73

83.4%

86.2%

Snorer B

1281

778

118

24

86.8%

97.0%

Snorer C

17

15

2

3

88.2%

83.3%

Snorer D

2546

2522

124

46

95.3%

98.2%

Snorer E

881

859

22

2

97.5%

99.8%

OSAS

Patients

OSAS A

1849

1545

304

284

83.6%

84.5%

OSAS B

475

466

9

70

98.1%

86.9%

OSAS C

731

725

6

47

99.2%

93.9%

OSAS D

2331

2326

5

5

99.8%

99.8%

OSAS E

1965

1904

61

184

96.9%

91.2%

10 patients

12623

11596

742

738

94.0%

94.0%

2. OSAS判定的評估結果統計

Group

Patient

OSAS segments

TP

FN

FP

Sensitivity

PPV

OSAS

Patients

OSAS A

318

235

83

14

73.9%

94.4%

OSAS B

150

110

40

58

73.3%

71.9%

OSAS C

288

264

24

31

91.7%

89.5%

OSAS D

56

53

3

77

94.6%

39.8%

OSAS E

111

58

35

97

62.4%

50.9%

5 OSAS patients

923

720

185

224

79.6%

76.3%

3. OSAS判定的評估結果統計

Group

Patient

Normal segments

TP

FN

Sensitivity

Regular Snorers

Snorer A

360

283

77

78.6%

Snorer B

360

319

41

88.6%

Snorer C

360

360

0

100%

Snorer D

360

316

44

87.8%

Snorer E

360

311

49

86.4%

5 simple snorers

1800

1589

211

88.3%

5.     結論

鼾聲以及呼吸中止為OSAS的臨床病徵,相當多的研究結果均指出OSAS患者有較高的罹患心血管疾病風險[20-24]。本文所介紹的可攜式遠距鼾聲與呼吸中止症監測系統可對鼾聲進行量化的評估,並且以W-ISR指標即時性地評估OSAS徵兆發生的可能性。在評估測試實驗中,SOD在一般患者與OSAS患者的鼾聲偵測上性能並無差異,均有相當高的靈敏度與正確預測率;此外SOD利用W-ISR指標的方式進行OSAS徵狀的判定,W-ISR指標的應用可以實現即時判定OSAS的功能。

有別於一般傳統的集中式中央伺服架構,SOD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。

References

[1]   Jane, R., Sola-Soler, J., Fiz, J.A., Morera, J., “Automatic detection of snoring signals: validation with simple snorers and OSAS patients,” Annual International Conference of the IEEE Engineering in Medicine and Biology - Proceedings, v 4, 2000, p. 3129-3131.

[2]   Sola-Soler, J.; Jane, R.; Fiz, J.A.; Morera, J., “Variability of snore parameters in time and frequency domains in snoring subjects with and without Obstructive Sleep Apnea”, Annual International Conference of the Engineering in Medicine and Biology Society, Sept. 2005, p. 2583 – 2586.

[3]   Cohen, A., “Signal processing methods for upper airway and pulmonary dysfunction diagnosis,” IEEE Engineering in Medicine and Biology Magazine, March 1990, p.72-75.

[4]   Penzel, T., Amend, G., Meinzer, K., Peter, J. H., von Wichert, P., “MESAM – A heart-rate and snoring recorder for detection of obstructive sleep-apnea,” Sleep, v.13, n.2, 1990, p.175-182.

[5]   Penzel, T., Althaus, W., Meinzer, K., Peter, J. H., von Wichert, P., “A device for ambulatory heart rate, oxygen saturation and snoring recording,” Annual International Conference of the IEEE Engineering in Medicine and Biology Society, v.13, n.4, 1991, p.1616-1617.

[6]   Stoohs and R., Guilleminault, C., “MESAM 4: an ambulatory device for the detection of patients at risk for obstructive sleep apnea syndrome (OSAS)”, Chest, v.101, n.5, 1992, p.1221-1227.

[7]   Koziej, M., Cieslicki, J. K., Gorzelak, K., Sliwinski, P., Zielinski, J., “Hand-scoring of MESAM-4 recordings is more accurate than automatic-analysis in screening for obstructive sleep-apnea,” European Respiratory Journal, v.7, n.10, 1994, p.1771-1775.

[8]   Esnaola, S., Duran, J., InfanteRivard, C., Rubio, R., Fernandez, A., “Diagnostic accuracy of a portable recording device (MESAM IV) in suspected obstructive sleep apnoea,” European Respiratory Journal, v.9, n.12, 1996, p.2597-2605.

[9]   Verse, T., Pirsig, W., Junge-Hulsing, B., Kroker, B., Chest, v.117, n.6, 2000, p.1613-1618.

[10]   Cirignotta, F., Mondini, S., Gerardi, R., Mostacci, B., Sancisi, E., “Unreliability of automatic scoring of MESAM 4 in assessing patients with complicated obstructive sleep apnea syndrome,” Chest, v.199, n.5, 2001, p.1387-1392.

[11]   Kermit, M., Eide, A. J., Lindblad, T., “Early online detection of upper airway obstructions in obstructive sleep apnoea syndrome (OSAS) patients”, Chest, v. 107, 1995, n.1, p.67-73.

[12]   Çavuşoğlu, M., Eroğul, O., Telatar, Z., “Design And Implemantation of A Programmable Apnea Monitoring System”, European Signal Processing Conference, Sep 2005.

[13]   Miki, H., Hida, W., Chonan, T., Kikuchi, Y., Takishima, T., “Effects of submental electrical stimulation during sleep on upper airway patency in patients with obstructive sleep apnea”, Am Rev Respir Dis., v. 140, n. 5, Nov 1989, p.285-9.

[14]   Guilleminault, C., Powell, N., Bowman, B., Stoohs, R., “The effect of electrical stimulation on obstructive sleep apnea syndrome”, Journal of Medical Engineering & Technology, v.26, n. 6, Nov 2002, p, 259-264.

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

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

[17]   Choi, J.M.; Choi, B.H.; Seo, J.W.; Sohn, R.H.; Ryu, M.S.; Yi, W.; Park, K.S., “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, 2004, p. 3362-3365.

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

[19]   Hoffstein, V., Mateika, S., Nash, S., “Comparing perceptios and measurements of snoring,” Sleep, v.19, n.10, 1996, p.783-789.

[20]   Lugaresi, E., Cirignotta, F., Coccagna, G., Piana, C., “Some epidemiological data on snoring and cardiocirculatory disturbances,” Sleep, v. 3, n. 3, 1980, p.221-224.

[21]   Foley, D.J., “Association of symptoms of sleep apnea with cardiovascular disease, cognitive impairment and mortality among older Japanese-American men”, Journal of the American Geriatrics Society, 1999, v. 47, n. 5, p.524-528.

[22]   Hla, K.M., Young, T.B., Bidwell, T., Palta, M., Skatrud, J.B., and Dempsey, J., “Sleep apnea and hypertension. A population-based study”, Annual of Internation Medicine, 1994, v. 120, n. 5, p.382-386.

[23]   Peker, Y., Kraiczi, H., Hedner, J., Loth, S., Johansson, A., and Bende, M., “An independent association between obstructive sleep apnea and coronary artery disease”, European Respiratory Journal, 1999; v. 14, p.179-184.

[24]   Peled, N., Abinader, E.G., Pillar, G., Sharif, D., and Lavie, P., “Nocturnal ischemic events in patients with obstructive sleep apnea syndrome and ischemic heart disease”, Journal of the American College of Cardiology, 1999; v. 34, p.1744-1749.