感測產品在睡眠的分析應用

　　過往研究人員採用各種方式來評估睡眠，其中睡眠多項生理檢查(Polysomnography, PSG)是一種綜合多種儀器監測睡眠期間患者身體的活動以進行睡眠診斷的檢查方法[1]，常見利用PSG檢查的睡眠疾病有：睡眠障礙、癲癇、打鼾、睡眠呼吸中止症等。這些儀器監測的項目包括：

• 腦波圖(Electroencephalography, EEG)
• 肌電圖(Electromyography, EMG)
• 心電圖(Electrocardiography, ECG/EKG)
• 眼動圖(Electrooculography, EOG)
• 脈搏與血氧飽和度 (SaO2 Saturation)
• 口鼻呼吸氣流 (Nasal-oral Air Flow)
• 胸腹呼吸動作 (Thoracic Abdominal Effort)

圖1中為進行PSG檢查睡眠的示意圖[2]，可以發現受檢者身上需要連接多種感測器，並且綁上胸帶(thoracic belt)和腹帶(abdominal belt)來量測胸部與腹部的呼吸狀態。

(節錄自[2])

圖1　睡眠多項生理檢查的示意圖

　　近年來智慧手錶、手環一類的穿戴式產品提供使用者的生理數據與身體活動的監測功能，包括：身體動態(加速度計、陀螺儀傳感器)、心率、皮膚溫度、血壓和氧氣等。另外，該些產品內建分析量測數據的功能，號稱可以評估使用者的睡眠品質，圖2為M廠牌利用智慧手環量測的數據來評估使用者的睡眠狀態，該產品將睡眠期間分成清醒(awake)、淺層睡眠(light sleep)、和深層睡眠(restful sleep)三個階段。

(節錄自[3])

圖2　評估睡眠狀態的結果

　　此外，智慧床墊被建議做為長者日常睡眠活動、預防離床跌倒等應用的設備[4]，改產品利用軟性導電材質感測器偵測人們是否在床上。當感測器分布於床墊形成感測矩陣時，可以透過感測壓力的反應得知人們在床上的位置，當人們睡眠期間翻身時觸發感測器並且呈現位置與壓力變化，另外亦可安裝偵測心律、呼吸等感測器[5, 6]，進而準確評估睡眠品質(如圖3所示)。然而，當智慧床墊安裝如此多的感測器，其價格當然高於一般床墊的價格。

(節錄自[6, 7])

圖3　智慧床墊提供多種感測與睡眠品質評估功能

　　不論是PSG或是智慧型產品(即文中提及的手錶、手環、床墊)都是透過收集人們的生理和身體活動資訊來判斷其睡眠品質，不同的是PSG需透過專業醫療人員診斷受檢者的睡眠狀況，智慧型產品是仰賴演算法程式來評估使用者睡眠品質。過往本團隊研究利用被動式紅外線(passive infrared, PIR)感測器來偵測人員動態，進而分析其睡眠狀態[9, 10]。不同於現有的產品，PIR感測器僅產生二值化數據，布建於床的周圍(如圖4所示)屬於非穿戴式的設備，其價格遠低於現有智慧型產品，並且不會產生如同影像類的資料，沒有洩漏隱私的疑慮。圖4中顯示二顆PIR感測器分別布建於床頭、和床側邊，圖5上方和中間圖分別為感測器1和感測器2產生的數據。本研究透過建立感測器的數據來判斷人們睡眠狀態，另外在收集感測器數據同時，受測人也配戴M廠牌的智慧手環，並擷取該產品對於睡眠狀態的分析結果當作參考依據(如圖5下方圖所示)，最新的研究成果[10]則利用深度學習技術建立睡眠狀態辨識模型。

(節錄自[8])

圖4　被動式紅外線感測器的布建環境

(節錄自[8])

圖5　上圖和中間圖分別為感測器1和感測器2產生的數據，下圖為M廠牌智慧手環分析的睡眠狀態

　　現今常見的深度學習技術大多應用於二維影像，面對一維的感測數據，我們首先計算八種特徵值，如表1所列公式，分別為：

• 原始感測數據(raw sensing data)
• 時間差(time difference)
• 感測數據之總和值(sum of sensing data)
• 原始感測數據之平均值(average of raw data)
• 時間差之平均值(average of time difference)
• 感測數據之總和平均值(average of sum of sensing data)
• 時間差之變異量(variance of time difference)
• 感測數據之總和變異量(variance of sum of sensing data)

然後在時間點t往前取得L-1時間長度內的所有特徵值，建構一Lx8大小的二維特徵圖。如此一來，在時間點t計算的特徵圖和智慧手環的睡眠狀態輸入深度學習網路內進行模型訓練，完成訓練的模型即可從感測器數據中辨識人們的睡眠狀態。

表1　八種特徵的計算公式

(節錄自[8])

　　在研究中，本團隊取得三天夜間固定時間內的感測數據和智慧手環的睡眠狀態資料進行分析，將其中20%和80%的數據資料作為辨識模型訓練和睡眠狀態辨識使用。圖6為兩個感測器在某一夜間的睡眠狀態的辨識結果，藍色為智慧手環的睡眠資料，紅色為本研究的辨識結果。另外，與先前研究成果進行比較[9, 10]，表2中列出使用三種方法從三天夜間收集的數據中辨識睡眠狀態的結果，提出的方法在感測器1可以高於0.77的辨識準確度，並且比其他兩種方法有較佳的辨識效能。

(節錄自[8])

圖6　使用深度學習的模型從(a)感測器1和(b)感測器2辨識睡眠狀態的結果，其中藍色為智慧手環的睡眠資料，紅色為本研究的辨識結果

表2　使用三種方法從三天夜間收集的數據中辨識睡眠狀態的結果

(節錄自[8])

參考文獻

1. Wikipedia: Polysomnography, https://en.wikipedia.org/wiki/Polysomnography
2. https://www.psychdb.com/_media/neurology/polysomnogram-psg.jpg
3. De Arriba-Pérez, M. Caeiro-Rodríguez, and J. M. Santos-Gago, ”Collection and Processing of Data from Wrist Wearable Devices in Heterogeneous and Multiple-User Scenarios”, Sensor, vol.16, no.9, Sept. 2016, https://www.mdpi.com/1424-8220/16/9/1538/htm, 圖片來源 https://www.mdpi.com/sensors/sensors-16-01538/article_deploy/html/images/sensors-16-01538-g010.png
4. https://www.ankecare.com/article/649-18897
5. https://www.chinatimes.com/realtimenews/20150108003674-260412?chdtv
6. https://www.486word.com/downloads/byja_writers/36/images/201507/20150701/2015063009.png
7. https://www.lunamattress.com/
8. Y.-C. Zeng, “Sleep Stage Prediction Based on Monotonous Sensing Data Using Convolutional Neural Network,” IEEE Int'l Conf. on Consumer Electronics-Taiwan (ICCE-TW), pp.285-286, Penghu, Taiwan, Sept. 15-17, 2021.
9. Y.-C. Zeng, and W.-T. Chang, “Estimation of Sleep Status Based on Wearable Free Device for Elderly Care,” IEEE Global Conf. on Consumer Electronics (GCCE), pp.1-4, Kyoto, Japan, Oct. 11-14, 2016.
10. Y.-C. Zeng, C.-C. Chuang, C.-S. Shih, and W.-T. Chang, ”Diverse Data Mapping for Sleep Status Estimation: From Intelligent Band to Passive Infrared Motion Sensors,” IEEE Int'l Conf. on Consumer Electronics-Taiwan (ICCE-TW), pp.1-2, Nantou, Taiwan, May 2016.