//Logo Image
作者:林致緯、李杰儒、徐業良(2015-06-06);推薦:徐業良(2015-06-06)
附註: 本文發表於2015福祉科技與服務管理國際研討會暨大師級講座,東海大學,台中,台灣,20150606.

睡眠感知床墊WhizPAD基本功能測試及睡眠狀態判斷準確性評估

1.      研究背景與目的

睡眠資訊是判斷高齡者健康狀況的關鍵資訊之。睡眠多項生理檢查儀器(polysomnography, PSG)是睡眠監測標準設備,然而使用時會在受測者身上配戴各類感測器來收集生理訊號,較不適合在居家環境下進行長期監測。許多研究者以臥床活動感測(bed actigraphy)、非察覺的監測方式進行睡眠監測,例如在床上裝置大量壓力感測器(Nishida et al. 1997; Van Der Loos et al.; 2003)

本研究開發商品化的睡眠活動感知床墊WhizPAD是一個厚度5公分的床墊,應用感溫釋壓泡棉和導電泡棉組合設計(徐業良等,2014),能依據人體體型塑形均勻釋壓、十分舒適,亦能感測臥床者在床上的活動所造成的壓力變化,經分析、判斷可得到臥離床、臥床活動與睡眠判讀等資訊。如圖1所示,WhizPAD可建置在居家環境或養護中心,透過行動裝置可以瀏覽即時資料、歷史資料以及統計圖表等,並可與家電產品如燈光、冷氣連結,依據睡眠狀況塑造舒適睡眠環境。本文目的即在針對WhizPAD基礎感知功能(臥離床、活動感知)及睡眠狀態判讀進行準確性評估。

1. WhizPAD透過行動裝置可以瀏覽即時資料、歷史資料以及統計圖表等

2.      研究方法

臥離床判別是WhizPAD的基本功能,WhizPAD可得到人體臥床時上肢、臀部的即時類比訊號(代表感測器電阻值),再比對臥床電阻閥值,即可判斷使用者是否躺臥或坐起在床。臥離床判別實驗邀請10位受測者,64女,身高範圍156~180公分,體重範圍40~83公斤。實驗分為兩階段,第一階段實驗驗證臥床、離床之準確度;第二階段實驗驗證躺臥、坐起之準確度。WhizPAD感知臥床時會驅動LED燈亮起;感知離床則LED燈熄滅;受測人員躺臥WhizPAD5秒紀錄狀態,接著離開(第一階段)或坐起(第二階段),紀錄狀態;每階段實驗各反覆進行5次。

活動感知是WhizPAD另一項基本功能,WhizPAD20Hz頻率讀取人體上肢、臀部以及下肢感測器電阻類比訊號,當人在WhizPAD上進行肢體活動時,比對兩筆感測器電阻類比訊號,如電阻差值大於活動電阻閥值,即判定使用者有一次活動。活動感知實驗邀請同樣10位受測者,實驗流程敘述如下:(1)實驗開始前,躺臥至WhizPAD上,雙手置於腹部,雙腿平放;(2)右手手臂輕輕抬起5秒再放下(小動作);(3)側躺5秒再正躺(大動作);(4)重複執行10次,完成試驗紀錄。

睡眠判讀實驗邀請受測者躺臥在感知床墊WhizPAD上,並配戴PSG的腦波、腹帶感測裝置;每人每段睡眠時間必須大於2小時以上,共蒐集10人,每人2時段睡眠資料。配合PSG判讀格式,每筆分析資料長度30秒,共約4000筆資料,每筆資料包含WhizPAD上肢、軀幹、下肢活動量,以及PSG自動判讀之睡眠狀態。將4000筆資料輸入Weka (Machine Learning Group at the University of Waikato, 2015)進行機器學習,並以“10 fold cross validation”評估機器學習結果。進行機器學習時,每筆資料除即時的WhizPAD量測資料外,亦加入前幾分鐘量測資料共同進行判讀。

3.      結果與討論

臥離床判別實驗結果,臥離床及躺/坐起判斷準確度均達100%;活動感知實驗中,大活動偵測靈敏度、陽性預測值皆達100%,小活動則分別為96.5%95.5%。本系列實驗最重要的目的是睡眠狀態判讀,表1為選擇“J48 Tree”機器學習演算法所得學習結果,當機器學習使用WhizPAD即時資料加上前6分鐘資料(N=6)進行判讀時,準確率較其他資料形式為高,達88.96%,特別是較困難的清醒判斷,準確率亦達69.20%。因此本研究採用N=6之機器學習模型作為WhizPAD睡眠判讀的依據。未來獲得更多受測者資料時,可持續更新機器學習模型,以提升自動判讀準確性。

1. 各資料格式之機器學習準確率分析表

N

實際

預測結果

分類事件%

清醒

睡眠

正確

不正確

陽性預測值

0

清醒

348

349

86.50

13.50

49.93

睡眠

61

2278

1

清醒

430

265

87.77

12.23

61.87

睡眠

106

2233

2

清醒

434

259

88.26

11.74

62.63

睡眠

97

2242

3

清醒

442

249

88.51

11.49

63.97

睡眠

99

2240

4

清醒

44

245

88.87

11.13

15.22

睡眠

92

2247

5

清醒

445

242

88.83

11.17

64.77

睡眠

96

2243

6

清醒

474

211

88.96

11.05

69.20

睡眠

123

2216

7

清醒

459

224

88.95

11.05

67.20

睡眠

110

2229

參考文獻

1.          Nishida, Y., Takeda, M., Mori, T., Mizoguchi, H., & Sato, T. (1997, September). Monitoring patient respiration and posture using human symbiosis system. InIntelligent Robots and Systems, 1997. IROS'97., Proceedings of the 1997 IEEE/RSJ International Conference on (Vol. 2, pp. 632-639). IEEE.

2.          Van Der Loos, H. M., Ullrich, N., & Kobayashi, H. (2003). Development of sensate and robotic bed technologies for vital signs monitoring and sleep quality improvement. Autonomous Robots, 15(1), 67-79.

3.          徐業良, 劉育瑋, 吳科沅, " 非察覺式活動檢知裝置", 日本專利特許第5480846, 2014/02

4.          Machine Learning Group at the University of Waikato. Weka 3: Data Mining Software in Java. available at: http://www.cs.waikato.ac.nz/ml/weka/, 2014