(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】2021517008
(43)【公表日】20210715
(54)【発明の名称】睡眠時無呼吸検出システム及び方法
(51)【国際特許分類】
   A61B 5/08 20060101AFI20210618BHJP
   A61B 5/16 20060101ALI20210618BHJP
【FI】
   !A61B5/08
   !A61B5/16 130
【審査請求】未請求
【予備審査請求】未請求
【全頁数】28
(21)【出願番号】2020546078
(86)(22)【出願日】20190306
(85)【翻訳文提出日】20201015
(86)【国際出願番号】EP2019055557
(87)【国際公開番号】WO2019170734
(87)【国際公開日】20190912
(31)【優先権主張番号】18160523.9
(32)【優先日】20180307
(33)【優先権主張国】EP
(81)【指定国】 AP(BW,GH,GM,KE,LR,LS,MW,MZ,NA,RW,SD,SL,ST,SZ,TZ,UG,ZM,ZW),EA(AM,AZ,BY,KG,KZ,RU,TJ,TM),EP(AL,AT,BE,BG,CH,CY,CZ,DE,DK,EE,ES,FI,FR,GB,GR,HR,HU,IE,IS,IT,LT,LU,LV,MC,MK,MT,NL,NO,PL,PT,RO,RS,SE,SI,SK,SM,TR),OA(BF,BJ,CF,CG,CI,CM,GA,GN,GQ,GW,KM,ML,MR,NE,SN,TD,TG),AE,AG,AL,AM,AO,AT,AU,AZ,BA,BB,BG,BH,BN,BR,BW,BY,BZ,CA,CH,CL,CN,CO,CR,CU,CZ,DE,DJ,DK,DM,DO,DZ,EC,EE,EG,ES,FI,GB,GD,GE,GH,GM,GT,HN,HR,HU,ID,IL,IN,IR,IS,JO,JP,KE,KG,KH,KN,KP,KR,KW,KZ,LA,LC,LK,LR,LS,LU,LY,MA,MD,ME,MG,MK,MN,MW,MX,MY,MZ,NA,NG,NI,NO,NZ,OM,PA,PE,PG,PH,PL,PT,QA,RO,RS,RU,RW,SA,SC,SD,SE,SG,SK,SL,SM,ST,SV,SY,TH,TJ,TM,TN,TR,TT
(71)【出願人】
【識別番号】590000248
【氏名又は名称】コーニンクレッカ フィリップス エヌ ヴェ
【氏名又は名称原語表記】KONINKLIJKE PHILIPS N.V.
【住所又は居所】オランダ国 5656 アーヘー アインドーフェン ハイテック キャンパス 52
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(74)【代理人】
【識別番号】100135079
【弁理士】
【氏名又は名称】宮崎 修
(72)【発明者】
【氏名】デ フロート,クーン テオ ヨハン
【住所又は居所】オランダ国 5656 アーエー アインドーフェン ハイテック キャンパス 5
(72)【発明者】
【氏名】フォンセカ,ペドロ ミゲル
【住所又は居所】オランダ国 5656 アーエー アインドーフェン ハイテック キャンパス 5
(72)【発明者】
【氏名】マルガリート,ジェニー
【住所又は居所】オランダ国 5656 アーエー アインドーフェン ハイテック キャンパス 5
【テーマコード(参考)】
4C038
【Fターム(参考)】
4C038PP05
4C038PS03
4C038SS09
4C038SX05
(57)【要約】
睡眠時無呼吸を検出する方法及びシステムは、睡眠段階を決定することと、決定された睡眠段階に依存する検出アルゴリズムの選択により、生理学的センサ信号に基づいて無呼吸事象を検出することを含む。自動化された無呼吸検出プロセスを実行するときに睡眠段階を考慮することによって、無呼吸検出の精度は改善される。
【特許請求の範囲】
【請求項1】
睡眠時無呼吸を検出するシステムであって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成する生理学的センサと、
プロセッサと
を有し、
前記プロセッサは、
睡眠段階を決定するか、又は睡眠段階の識別を入力として受け取り、
異なった非覚醒睡眠段階のための少なくとも2つの検出アルゴリズムを含む検出アルゴリズムの組から前記睡眠段階に応じて選択される検出アルゴリズムを用いて、前記センサ信号に基づいて無呼吸事象を検出する
よう構成される、システム。
【請求項2】
前記プロセッサは、前記センサ信号から導出される心拍数変動情報から前記睡眠段階を決定するよう構成される、
請求項1に記載のシステム。
【請求項3】
前記生理学的センサは、PPGセンサ及び/又はECGセンサを有する、
請求項1又は2に記載のシステム。
【請求項4】
前記プロセッサは、
前記センサ信号から心拍タイミングを取り出し、
拍間インターバル時系列を導出し、
前記拍間インターバル時系列から心拍数変動情報を取り出す
よう構成される、
請求項1乃至3のうちいずれか一項に記載のシステム。
【請求項5】
前記プロセッサは、
時間フレームの連続として前記センサ信号をサンプリングし、
各時間フレームから前記センサ信号の心拍数変動特徴を含む第1特徴を取り出し、
前記第1特徴から各時間フレームについて睡眠段階を決定する
よう構成される、
請求項1乃至4のうちいずれか一項に記載のシステム。
【請求項6】
前記プロセッサは、
各時間フレームについて、前記センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを、前もって決定された睡眠段階に応じて選択し、
各時間フレームから前記センサ信号の第2特徴を取り出し、
前記第2特徴から及び前記選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定する
よう構成される、
請求項5に記載のシステム。
【請求項7】
前記第2特徴は、前記前もって決定された睡眠段階に依存するモデルを用いて取り出される、
請求項6に記載のシステム。
【請求項8】
前記第2特徴は、心拍数変動情報を有する、
請求項6又は7に記載のシステム。
【請求項9】
睡眠時無呼吸を検出する方法であって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成することと、
睡眠中の対象の睡眠段階を決定するか、又は該睡眠段階の識別を入力として受け取ることと、
異なった非覚醒睡眠段階のための少なくとも2つの検出アルゴリズムを含む検出アルゴリズムの組から前記睡眠段階に応じて検出アルゴリズムを選択することによって、前記センサ信号に基づいて無呼吸事象を検出することと
を有する方法。
【請求項10】
前記センサ信号から導出される心拍数変動情報から前記睡眠段階を決定することを有する、
請求項9に記載の方法。
【請求項11】
前記センサ信号から心拍タイミングを取り出すことと、
拍間インターバル時系列を導出することと、
前記拍間インターバル時系列から心拍数変動情報を取り出すことと
を有する、
請求項9又は10に記載の方法。
【請求項12】
時間フレームの連続として前記センサ信号をサンプリングすることと、
各時間フレームから前記センサ信号の第1特徴を取り出すことと、
前記第1特徴から各時間フレームについて睡眠段階を決定することと
を有する、
請求項9乃至11のうちいずれか一項に記載の方法。
【請求項13】
各時間フレームについて、前記センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを選択することと、
前もって決定された睡眠段階に依存するモデルを用いて各時間フレームから前記センサ信号の第2特徴を取り出すことと、
前記第2特徴から及び前記選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定することと
を有する、
請求項12に記載の方法。
【請求項14】
コンピュータプログラムコード手段を有するコンピュータプログラムであって、
前記コンピュータプログラムコード手段は、当該コンピュータプログラムがコンピュータで実行されるときに、請求項9乃至13のうちいずれか一項に記載の方法を実装するよう構成される、
コンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、睡眠時無呼吸の検出に関係があり、ここで、無呼吸とは、閉塞性睡眠時無呼吸(obstructive sleep apnea)、中枢型睡眠時無呼吸(central sleep apnea)だけでなく、呼吸低下エピソードも含むよう一般的な用語として使用される。
【背景技術】
【0002】
睡眠時無呼吸は、2種類の睡眠時呼吸障害、すなわち、閉塞性睡眠時無呼吸(OSA)及び中枢型睡眠時無呼吸(CSA)を指すために使用される一般的な用語である。それらは異なる生理現象によって引き起こされるが、それらは両方とも、血中酸素飽和度の低下と、心拍及び血圧の付随して起こる増大による大脳皮質の覚醒及びそれに伴う交感神経作用の付随する高ぶりとを引き起こす空気流の低下(呼吸低下)又は完全停止(無呼吸)に関連付けられている。
【0003】
反復的な無呼吸及び呼吸低下の事象は、睡眠の連続性を妨害し、睡眠時間を低下させる。これは、決定的な症状の1つである“日中の過剰な眠気”を部分的に説明するものである。睡眠時無呼吸は、高血圧、心臓疾患、不整脈、心筋虚血及び心筋梗塞、肺動脈高血圧症、腎臓病、代謝調節不全、インシュリン耐性及び脂質疾患、脳卒中、高齢者の認知症及び認識機能障害、並びに脳血流及び脳自動調整能の変化といった心臓及び脳血管の疾患のリストの高まりに関連付けられてきた。
【0004】
OSAは、最も一般的な種類の睡眠時無呼吸であり、上気道の完全な又は部分的な閉塞によって引き起こされる。本来なら、睡眠中に、舌、口及び咽頭の筋肉はわずかに弛緩しているが、気道を閉塞するほどではない。OSAの場合に、筋肉は過剰に弛緩している。舌は、肺に向かって気道を塞ぎながら上気道の後ろに押しつけられる。
【0005】
OSA事象中に、心拍は低下し、血中酸素飽和度は低下する。気道への妨害より脳が十分な酸素を得ない場合に、閉塞は、対象が睡眠段階から部分的に又は完全に目覚める覚醒を引き起こす可能性がある。たいてい、対象は、睡眠段階から戻る前に、気道を回復するために、苦しそうにあえぐ。これは、たいてい夜通し繰り返す循環パターンである(最大100回)。OSAエピソードは、典型的に、20sから40sの間続く。
【0006】
OSAほど一般的ではないが、CSAは、それでもなお、心臓疾患及び神経学的状態といった他の併存疾にかかっている患者により頻繁に見られる、関連する睡眠時呼吸障害である。CSAは、空気流に加えて呼吸努力の中断(無呼吸)、又は部分的に遮断された呼吸の明らかな徴候なしの空気流及び呼吸努力の低下(呼吸低下)によって特徴付けられる。
【0007】
睡眠障害呼吸状態の重篤度を定量化するために、CSA及びOSA無呼吸及び呼吸低下の両方を含むインデックスが使用される。無呼吸−呼吸低下指数(apnea-hypopnea index;AHI)は、観察された睡眠の1時間あたりの無呼吸及び/又は呼吸低下の平均数を反映する。成人では、AHI≦5が正常であると考えられている。軽度の無呼吸は、1時間あたり5から15回のAHIによって特徴付けられ、中度の無呼吸は、1時間あたり15から30回のAHIによって特徴付けられ、重度の無呼吸は、1時間あたり30回を超えるAHI値に関連付けられている。しばしば人々は、夜間の頻繁な覚醒に気付いていない。
【0008】
無呼吸有病率に関して、30代から60代の成人のうち、AHI≧5は、女性の9%、男性の24%である。肥満は、無呼吸の最強のリスク因子であり、肥満度指数、首回り、及びウェストとヒップの比率を含むいくつかのパラメータによって反映される。他のリスク因子には、加齢、性別、咽頭の筋緊張の喪失、扁桃腺の腫れ、閉経、上気道構造、喫煙、アルコール、民族性、並びに他の心臓又は神経学的状態の存在が含まれる。肥満の蔓延と無呼吸の流行との間には直接的な関係があると見られる。
【0009】
高いびき、気道を回復するために苦しそうにあえぎながらの睡眠からの頻繁な覚醒、又は息詰まり感といった、無呼吸に付随した多くのサインがある。無呼吸がある人々は、日中の過剰な眠気又は倦怠感を主に経験している。他の不快感は、不眠及び憂鬱に関係がある。無呼吸による睡眠の断片化は、日中の認知能力の低下、危険運転の増加、及び職場での事故を引き起こす可能性がある。
【0010】
睡眠時無呼吸は、患者が夜中に身につけるべきマスクにより鼻を通って連続陽気道圧を印加することによって、治療され得る。睡眠時無呼吸を診断する従来のやり方は、患者が睡眠検査中に観察されるものである。睡眠検査は高価であり、睡眠研究所での夜通しのポリソムノグラフィ(polysomnography;PSG)及び主治医を必要とする。ポリグラフ検査は、通常:
・脳活動をモニタする脳波図(electroencephalogram;EEG)、
・眼球運動をモニタする電気眼球図(electrooculogram;EOG)、
・筋肉の緊張をモニタする筋電図(electromyogram;EMG)、
・心臓の電気活動をモニタする心電図(electrocardiogram;ECG)、
・呼吸努力を測定するための胸部及び腹部の周りの呼吸インダクタンスプレスチモグラフィ(respiratory inductance plethysmography)又は圧電ベルト、
・空気流を測定する鼻腔及び口腔サーミスタ又は圧力センサ、及び
・血中酸素飽和度の変化をモニタするパルスオキシメータ
を含む複数のパラメータを記録する。
【0011】
睡眠研究所の限られた利用可能性及び睡眠研究に伴う高い費用のために、睡眠時無呼吸の不十分な診断は大きな問題である。OSAの人の約80〜85%が十分に診断されていないことが報告されている。
【0012】
様々なアルゴリズムが、自動の睡眠時無呼吸スクリーニングのために提案されている。しかしながら、約80の異なる睡眠障害が存在する。そのため、睡眠障害を持つ患者について睡眠時無呼吸を検出することは困難であると考えられている。ECG信号から取り出された心拍数変動(heart rate variability;HRV)特徴に基づいて無呼吸及び呼吸低下エピソードを検出する既知のアルゴリズムがある。無呼吸/呼吸低下エピソードは、瞬間心拍数及び血流に対して有意な影響を及ぼす。それらのエピソードは、周期性心拍数変動(cyclic variation of heart rate;CVHR)と呼ばれる再発性心拍数パターンを生じさせる。CVHRピークは、無呼吸及び呼吸低下事象を終了する覚醒フェーズ中の心拍数の突然の増大に起因する。
【0013】
診断未確定の睡眠時無呼吸は、循環器疾患(例えば、高血圧症、脳卒中、及びうっ血性心不全)、思考の機能的欠陥、及び糖尿病の進行にとって重要なリスク因子である。従って、限られた数のセンサ源を用いた睡眠時無呼吸の早期かつ簡単な診断が望ましい。
【発明の概要】
【0014】
本発明は、特許請求の範囲によって定義される。
【0015】
本発明の態様に従う例によれば、睡眠時無呼吸を検出するシステムであって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成する生理学的センサと、
プロセッサと
を有し、
前記プロセッサは、
睡眠中の対象の生理学的状態に依存する第1特性、特に睡眠段階を決定するか、又は第1特性の識別を入力として受け取り、
第1特性に応じて検出アルゴリズムの組から選択される検出アルゴリズムを用いて、センサ信号に基づいて無呼吸事象を検出する
よう構成される、システムが提供される。
【0016】
このシステムは、生理学的信号(例えば、PPGセンサ及び/又はECGセンサによって捕捉された信号)から取り出された特徴に基づいて自動の睡眠時無呼吸スクリーニングを提供することができる。それらの特徴の解析は、その時点での睡眠中の対象の生理学的状態に依存する題意特性を考慮する。取り出された特徴は、例えば、心拍数変動(HRV)に関する情報を含む。
【0017】
このようにして、中間特性が取得され、睡眠時無呼吸決定アルゴリズムの組からの選択を行うために使用される。よって、少なくとも2つの非覚醒睡眠状態のための少なくとも2つの睡眠時無呼吸決定アルゴリズムがある。これは2段階の検出プロセスを提供し、これによって、対象の生理学的状態は最初に分類され、その分類は、無呼吸事象のより正確な決定を行うことを助ける。
【0018】
第1特性、すなわち睡眠段階は、例えば、信号の手計測から、システムへ入力されてよい。なお、第1特性の検出は、望ましくは、やはり自動である。例えば、プロセッサは、センサ信号から導出される心拍数変動情報から睡眠段階を決定するよう構成されてよい。睡眠段階は、例えば、睡眠段階分類器によって決定される。
【0019】
自動の睡眠段階検出は、ECG信号又はPPG信号から取り出される心拍数変動(HRV)特徴に基づいて、近年有意な進歩及び改善が見られている。睡眠段階が自動的に識別されることを可能にする同じ生理学的センサは、無呼吸事象が検出されることを可能にするために本発明のシステムで使用されてよい。
【0020】
本発明は、生理学的信号から取り出されたHRV特徴に基づいて無呼吸及び呼吸低下事象を検出する既知のアプローチと比較して、より高い検出精度を可能にする。特に、睡眠段階特有情報のような、睡眠中の対象の生理学的状態に依存する情報が、無呼吸のプロセスにおいて利用される。既知の解決法は、代わりに、生理学的信号からやはり取り出され得る睡眠段階情報又は任意の他の中間特性を考慮することなしに、生理学的信号から取り出された無呼吸特徴の間のマッピングを見つけ出すよう訓練されている一般的な分類スキームを提供する。
【0021】
本発明は、例えば、様々な睡眠段階の中の無呼吸クラス分離を最大にする生理学的信号から取り出された特徴に基づいて、オフラインの訓練段階で、睡眠段階特有分類器を訓練することに基づく。
【0022】
生理学的信号のインスタンス(すなわち、時間フレーム)において無呼吸事象を検出するために、最初に、インスタンスに関連した睡眠段階が推定されてよい。続いて、無呼吸検出は、睡眠段階特有無呼吸分類器を適用することに基づく。
【0023】
プロセッサは、例えば、
センサ信号から心拍タイミングを取り出し、
拍間インターバル時系列を導出し、
拍間インターバル時系列から心拍数変動情報を取り出す
よう構成される。
【0024】
心拍数変動情報は、自動無呼吸検出アルゴリズムの部分として使用されてよく、また、心拍数変動は、睡眠段階検出のためにも使用されてよいことが知られている。本発明は、無呼吸検出の精度を改善するために、同じ情報源が両方のタイプの検出のために最適化されることを可能にする。
【0025】
プロセッサは、例えば、
時間フレームの連続としてセンサ信号をサンプリングし、
各時間フレームからセンサ信号の第1特徴を取り出し、
第1特徴から各時間フレームについて睡眠段階を決定する
よう構成される。
【0026】
よって、自動の睡眠段階検出は、順次的な時間窓に基づいて行われる。
【0027】
上述されたように、睡眠段階検出のための第1特徴は、心拍数変動情報を有してよい。
【0028】
プロセッサは、例えば、
各時間フレームについて、センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを、前もって決定された睡眠段階に応じて選択し、
各時間フレームからセンサ信号の第2特徴を取り出し、
第2特徴から及び選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定する
よう構成される。
【0029】
無呼吸検出は、睡眠段階に依存するモデルを用いて行われる。第2特徴も、前もって決定された睡眠段階に依存するモデルを用いて取り出されてよい。
【0030】
よって、(無呼吸検出のための)第2特徴は、(睡眠段階検出のための)第1特徴とは異なってよく、更には、第2特徴は、前もって決定された睡眠段階に応じて選択されてよい。このようにして、特定の睡眠段階の中で無呼吸を検出することに最も適している特徴が取り出され、それらは次いで、適切な無呼吸分類モデルへ入力される。
【0031】
上述されたように、無呼吸検出のための第2特徴も、心拍数変動情報を有してよい。
【0032】
本発明はまた、睡眠時無呼吸を検出する方法であって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成することと、
睡眠中の対象の生理学的状態に依存する第1特性を決定するか、又は第1特性の識別を入力として受け取ることと、
第1特性に応じて検出アルゴリズムの組から検出アルゴリズムを選択することによって、センサ信号に基づいて無呼吸事象を検出することと
を有する方法を提供する。
【0033】
方法は、
センサ信号から心拍タイミングを取り出すことと、
拍間インターバル時系列を導出することと、
拍間インターバル時系列から心拍数変動情報を取り出すことと
を更に有する。
【0034】
この心拍数変動は、睡眠段階検出及び無呼吸検出の両方のために使用されてよい。
【0035】
方法の睡眠段階検出部分は、
時間フレームの連続としてセンサ信号をサンプリングすることと、
各時間フレームからセンサ信号の第1特徴を取り出すことと、
第1特徴から各時間フレームについて睡眠段階を決定することと
を有してよい。
【0036】
方法の無呼吸検出部分は、
各時間フレームについて、センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを選択することと、
前もって決定された睡眠段階に依存するモデルを用いて各時間フレームからセンサ信号の第2特徴を取り出すことと、
第2特徴から及び選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定することと
を有してよい。
【0037】
本発明は、少なくとも部分的にソフトウェアにおいて実装されてよい。
【0038】
本発明のこれら及び他の態様は、以降で記載されている実施形態から明らかであり、それらを参照して説明される。
【0039】
これより、本発明の例について、添付の図面を参照して詳細に説明する。
【図面の簡単な説明】
【0040】
【図1】様々な睡眠段階と、それらの段階が時間の関数として表現される成人の睡眠サイクルとを示す典型的なヒプノグラムを示す。
【図2】本発明の例に従うシステムを示す。
【図3】異なる睡眠段階並びに無呼吸及び非無呼吸時に特定の心拍数特徴がどのように変化するかを示す。
【図4】夜間に身につけられる手首装着型センサとしてシステムを示す。
【図5】図2のシステムによって実行される基本的な方法を示す。
【図6】睡眠段階Rについて、睡眠段階から独立している無呼吸検出システムの実行の解析結果を示す。
【図7】睡眠段階Rについて、本発明に従う無呼吸検出システムの実行の解析結果を示す。
【図8】睡眠段階N1について、睡眠段階から独立している無呼吸検出システムの実行の解析結果を示す。
【図9】睡眠段階N1について、本発明に従う無呼吸検出システムの実行の解析結果を示す。
【図10】睡眠段階N2について、睡眠段階から独立している無呼吸検出システムの実行の解析結果を示す。
【図11】睡眠段階N2について、本発明に従う無呼吸検出システムの実行の解析結果を示す。
【図12】睡眠段階N3について、睡眠段階から独立している無呼吸検出システムの実行の解析結果を示す。
【図13】睡眠段階N3について、本発明に従う無呼吸検出システムの実行の解析結果を示す。
【図14】睡眠段階Wについて、睡眠段階から独立している無呼吸検出システムの実行の解析結果を示す。
【図15】睡眠段階Wについて、本発明に従う無呼吸検出システムの実行の解析結果を示す。
【発明を実施するための形態】
【0041】
本発明は、図を参照して記載される。
【0042】
詳細な説明及び具体的な例は、装置、システム及び方法の例となる実施形態を示しながら、単に説明を目的としており、本発明の範囲を制限する意図はないことが理解されるべきである。本発明の装置、システム及び方法のそのような及び他の特徴、態様、及び利点は、以下の説明、添付の特許請求の範囲、及び添付の図面からより良く理解される。図は、単に概要であり、実寸通りではないことが理解されるべきである。また、同じ参照番号は、同じ又は類似した部分を示すために、全ての図を通して使用されることも理解されるべきである。
【0043】
本発明は、中間特性、特に睡眠段階が決定され、無呼吸事象が、決定された睡眠段階に依存する検出アルゴリズムを用いて生理学的センサ信号に基づき検出されるところの睡眠時無呼吸検出方法及びシステムを提供する。自動無呼吸検出プロセスを実行するときに睡眠段階のような中間特性を考慮することによって、無呼吸検出の精度は改善される。
【0044】
図1は、様々な睡眠段階と、それらの段階が時間の関数として表現される成人の睡眠サイクルとを示す典型的なヒプノグラムを示す。これは、http://www.howsleepworks.com/types_cycles.htmlから再現される。
【0045】
夜通し、睡眠は、健康な成人において、ノンレム(non-REM)及びレム(REM)睡眠の一連の睡眠サイクルとして進む。睡眠サイクルは、約90分の平均存続期間を有している。各睡眠サイクルは、ノンレム睡眠の複数の段階(段階N1、N2及びN3と分類される。)をたどる。睡眠段階N3の期間の後、段階は、再びN1を通って、覚醒期間へ、又は新たな睡眠サイクルにおける行程N1からN3に戻る前の短いレム睡眠期間へ進むことができる。通常、睡眠段階N3に費やされる時間は、夜が進み、レム睡眠の期間が増えるにつれて、減っていく。
【0046】
図1に示される睡眠段階は、米国睡眠医学会(American Academy of Sleep Medicine;AASM)によって定義されている。
【0047】
N1:典型的に、通常は1から5分の間続く第1の睡眠段階。それは、覚醒状態から睡眠へ移行期間を含む。脳から発せられる脳波は鈍化する。
【0048】
N2:心拍数の減少及び中核体温の低下を特徴とする。筋肉活動の減少がある。この段階は、睡眠期間の約50%に寄与する。
【0049】
N3:EEG記録の典型的な低周波振動に起因して、深睡眠又は徐波睡眠としても知られている。この段階では、脳波は、覚醒状態と最も適合しない。筋肉活動の更なる減少がある。深睡眠にある睡眠者を起こすことは難しい。
【0050】
レム(REM):急速眼球運動を特徴とする。高周波の発現がある。脳波は、覚醒段階と最も適合するが、ほとんどの筋肉は、この段階中に麻痺状態にある。
【0051】
睡眠時無呼吸の人は、彼らの睡眠が呼吸の中断により引き起こされる覚醒によって断片化されるということで、N3及びレム期間が短い。通常、睡眠段階は、W(覚醒)とN1との間を行ったり来たりする。
【0052】
上述されたように、自動睡眠段階検出は、ECG信号又はPPG信号から取り出された心拍数変動(HRV)特徴に基づいて、近年有意な進歩及び改善が見られている。例えば:
[1]Berry, Richard B. et al. “Rules for Scoring Respiratory Events in Sleep: Update of the 2007 AASM Manual for the Scoring of Sleep and Associated Events: Deliberations of the Sleep Apnea Definitions Task Force of the American Academy of Sleep Medicine.” Journal of Clinical Sleep Medicine: JCSM: Official Publication of the American Academy of Sleep Medicine 8.5 (2012): 597-619、及び
[2]Fonseca P, Long X, Radha M, Haakma R, Aarts RM, Rolink J. “Sleep stage classification with ECG and respiratory effort”, IOP Physiol Meas. 2015;36:2027-2040
を参照されたい。
【0053】
本発明は、無呼吸事象の自動検出を提供するために生理学的センサを利用する。検出アルゴリズムは、睡眠段階を考慮する。睡眠段階は、手動で無呼吸検出アルゴリズムへ入力されてよいが、好適な例では、睡眠段階検出も自動化される。更に、睡眠段階は、無呼吸検出のために使用される同じセンサモダリティにより自動的に識別され得る。
【0054】
図2は、本発明の例に従うシステムを示す。
【0055】
システムは、人体からセンサ信号Sを捕捉する生理学的センサ10を有する。信号は、心拍数変動が取得されることを可能にするものである。このために、センサ10は、PPGセンサ又はECGセンサを有してよい。両方の検知モダリティが、よりロバストな心拍数モニタリング情報を提供するために組み合わせて使用されてもよい。
【0056】
センサ信号は、プロセッサ11へ供給され、プロセッサによって実行される信号処理機能は、以下で説明される。
【0057】
ロー(raw)センサ信号Sは、サンプリングユニット12によってエポック(epochs)において処理される。サンプリングユニット12は、時間フレームの連続としてセンサ信号をサンプリングする。センサ信号Sのw番目の時間フレームは、Sによって表される。
【0058】
第1特徴抽出ユニット14は、睡眠段階検出のために使用される。所与の時間フレームwについて、特徴Fは、その時間フレームwに睡眠段階を割り当てるために、窓化されたセンサ信号Sの時間フレームから取り出される。これは第1特徴セットである。時間フレームは、2から10分といった数分程度の存続期間を有し、時間フレームは、移動時間窓を定義するよう重なり合ってもよい。
【0059】
特徴セットFは、睡眠段階検出ユニット16へ入力される。特徴抽出ユニット14は、データクリーニング、特徴正規化及び変換といった追加の前/後処理ステップを含んでもよい。
【0060】
睡眠段階検出ユニット16は、例えば、C={W,N1,N2,N3,R}によって定義された全ての起こり得る睡眠段階のためのラベルを含む組Cから、睡眠段階を選択する。Wは覚醒状態であり、他の睡眠段階は先に説明されている。更に以下で説明されるように、各状態は、夫々の特定の睡眠段階の中で無呼吸事象を検出するための異なる無呼吸モデルと関連付けられている。
【0061】
異なる組の睡眠段階が、例えば、より多くの又はより少ないノンレム段階を定義されている組が、代わりに使用されてもよい。
【0062】
例えば、組は、C={W,N1及びN2の組み合わせ,N3,レム}として定義されてもよい。実際に、HRV特性にのみ基づいてN1及びN2を分離することは難しいので、どの無呼吸モデルを使用すべきかを決定するために睡眠段階分類器を実装するシステムでは、これは、段階のありそうな組み合わせである。
【0063】
更に簡単にされた組は、C={W,ノンレム,レム}として定義されてもよい。最大の違いは、睡眠中のHRV特性に関して、それらの期間にある。
【0064】
代替的に、組Cは、実際の睡眠段階に必ずしもマッピングされずに、首尾一貫したHRV特性を定義するクラスタを有してもよい。その場合に、無呼吸モデルは各クラスに直接リンクされてよく。実際の睡眠段階の識別は不要である。このアプローチも、中枢神経系活動(CNS,睡眠が規則正しい場合)と自律神経系活動(ANS,HRVによって反映される)との間の相違により、睡眠段階とHRVとの間のマッピングが完全に一義的であるわけではないという問題を回避する。HRV特性から睡眠段階へ、そして睡眠時無呼吸モデルへマッピングしようとすることによっては、最善のモデルが得られないことがある。HRVから直接に睡眠時無呼吸モデルへマッピングすることによって、CNSとANSとの間の相違は回避され得る。
【0065】
以下の説明では、睡眠段階識別があると仮定される。
【0066】
睡眠段階検出ユニット16内の睡眠段階分類器は、セットC内の睡眠段階クラスCを、入力に供給されている特徴セットFに基づいて、時間フレームに割り当てる。睡眠段階検出のための分類器は、オフラインで訓練される。
【0067】
睡眠時無呼吸を検出することに使用される事前に訓練された分類器の組18は、メモリにおいて提供される。睡眠段階特有無呼吸分類器の組Mは、M={M,MN1,MN2,MN3,M}によって定義される。この組の各メンバーは、その特定の睡眠段階の中で無呼吸事象を識別するために使用され得る1つ以上のセンサ信号特性を有する。睡眠時無呼吸はもっぱら睡眠期間中に起こるので、分類器Mは、単に、覚醒中に睡眠時無呼吸が起こる可能性がないとの指示を有してよい。組Mには少なくとも2つの更なる睡眠段階特有無呼吸分類器がある。
【0068】
検出された睡眠段階Cに基づいて、組M内の無呼吸分類モデルMは、無呼吸分類器モデル選択ユニット20によって選択される。
【0069】
選択されたモデルは、次いで、無呼吸検出ユニット22において使用される。
【0070】
組M内の無呼吸分類モデルは、オフラインで訓練される。
【0071】
第1特徴セットFの処理と並行して、具体的に、無呼吸検出のために、各時間フレームwについて、センサ信号Sから第2特徴セットFが取り出される。これは、第2特徴抽出ユニット24によって実行される。
【0072】
無呼吸検出のために時間フレーム内で取り出される特徴のタイプは、固定であってよいが、それらは、代わりに、睡眠段階検出ユニット16によって時間フレームwに割り当てられた睡眠段階クラスに依存してもよい。これは図2に示されており、割り当てられた睡眠段階クラスCは、第2特徴抽出ユニット24へ入力される。
【0073】
特定の睡眠段階クラスについて取り出されるべきである特徴は、オフライン訓練フェーズ中に決定される。
【0074】
無呼吸検出ユニット22では、無呼吸のバイナリ検出又は無検出を表す出力が生成される。よって、ほんの2つのクラスメンバーを有する組C={‘無呼吸’,‘非無呼吸’}がある。組メンバーの1つは、各時間窓について出力Cとして供給される。無呼吸検出ユニット22は、無呼吸検出のために取り出された特徴Fと、睡眠段階特有分類モデルMとを入力として受け取る。
【0075】
上述されたように、取り出された特徴は、心拍数変動情報に関係がある。
【0076】
HRV特徴は、次のカテゴリにグループ化され得る:
・時間領域線形特徴、
・周波数帯域パワー特徴、
・拍間時間インターバル(interbeat time interval;IBI)系列の不規則性を示す非線形特徴、
・ヒルベルト変換及び離散ウェーブレット変換特徴。
【0077】
これらの特徴の種々の例は、種々の睡眠段階について睡眠時無呼吸事象との最良の相関をもたらし得る。この相関は、一般的なシステム訓練フェーズ中に決定される。
【0078】
よって、各分類モデルM、MN1、MN2、MN3、Mは、HRV特徴の異なる組に基づく。その場合に、特徴Fは、分類モデルが適用されることを可能にするものである。
【0079】
特定の睡眠段階に対応する各分類モデルで最終的に使用されるHRV特徴の数は、オフライン訓練段階中に前もって指定され得る。また、分類のために選択される特徴(すなわち、予測子)の数は、例えば、利用可能な特徴のどのサブセットが最良の分類性能をもたらすかを決定するアルゴリズムを用いて、自動調整され得る。
【0080】
例として、訓練フェーズは、全ての利用可能なHRV特徴(例えば、155個のそのような特徴が存在する)を適用することと、特定の睡眠段階の中で睡眠時無呼吸クラス間の分離を最大にする特徴のサブセットを見つけるという目的で特徴選択プロセスを適用することとを含む。これは、睡眠時無呼吸事象を検出するために最終的に使用されることになる特徴の量が、異なる睡眠段階の間で様々であり得ることを意味する。
【0081】
睡眠時無呼吸分類器を構成するために使用される分類モデルのタイプに応じて、HRV特徴の組み合わせ、重み付き組み合わせ、又は他の関数が作られてよい。いくつかの分類器は、入力から特徴のいくつかの組を取り出す関数として解釈されてよく、関数によって出力されるクラス可能性は、選択された特徴の重み付き組み合わせに基づく。
【0082】
更に、これらの特徴の種々の例は、睡眠時無呼吸事象とよりも、睡眠段階とのより良い相関をもたらし得る。よって、異なる特徴が、2つの特徴抽出ユニットにおいて選択される。先と同じく、この相関は、一般的なシステム訓練フェーズ中に決定される。
【0083】
異なるHRV情報は、例えば、無呼吸検出(すなわち、F)に関して、信頼できる睡眠段階検出(すなわち、F)に最も適している。
【0084】
異なるHRV情報はまた、異なる睡眠段階との関係では、無呼吸検出にも関係がある。
【0085】
図3は、全てのデータサンプルが睡眠時無呼吸(各対の左のバー)及び非睡眠時無呼吸(各対の右のバー)とラベル付けされたデータセットについて、異なる睡眠段階にわたる特定のHRV特徴(低周波バンドにおけるパワー,y軸)の分布を示す。それは、睡眠段階ごとに特徴分布が相違することを示す。これはまた、睡眠段階特有睡眠時無呼吸分類器を適用することが、より大きいクラス分離を可能にすることを証明する。ある特徴が予測有効性に多かれ少なかれ寄与する場合に、各々の睡眠段階の中で睡眠時無呼吸クラス分離を最大にするよう構成されたモデル(M・・・M、など)は、相違する可能性がある(すなわち、特徴選択プロシージャの結果として異なる特徴を含み、そして、異なる重みを有する可能性がある)。
【0086】
異なる処理サブユニットが、基本的なプロセスを説明するために図2に示されていることが留意されるべきである。しかし、それらのユニットの全てが、実際上、適切なプログラムの制御下にある単一のプロセッサによって実装されてよいことは明らかである。明らかなように、プロセッサの入力は、センサ信号と、異なる睡眠段階の中で無呼吸を識別するために使用される分類器Mに関する情報とである。処理タスクは、しかしながら、複数のプロセスの間で分けられてよく、いくつかはセンサにローカルであってよく、他は遠隔であってよい。
【0087】
睡眠段階は、確立された規則に従って、例えば、米国睡眠医学会(AASM)のマニュアルに従って、PSG、EEG、EOG及びEMG信号の視覚解析に基づいて、システムオペレータによって手動で点数付けされてよい。この場合に、プロセッサが自動睡眠段階検出を実行するのではなく、睡眠段階がプロセッサへ入力される。かような実施形態では、睡眠段階検出のための特徴抽出ユニット14と、睡眠段階検出処理ブロック16とは、この手動分類プロセスからの睡眠段階入力によって置換される。
【0088】
システムは、望ましくは、睡眠中に身につけられ得るウェアラブルセンサとして実装される。図4は、夜間に身につけられる(下の絵を参照)手首装着型センサ(上の絵を参照)としてシステム30を示す。
【0089】
ウェアラブルデバイスは、生理学的信号を捕捉するセンサ10と、プロセッサ11又はその部分とを有する。処理の一部又は全ては、装着されたシステムにおいてローカルで実行されてよく、一部又は全ては、装着されたシステムが無線通信チャネルを介して通信するバックエンドシステムで実行されてよい。
【0090】
好適な実施形態では、フォトプレチスモグラフィ(PPG)センサが使用される。
【0091】
PPGセンサは、パルスオキシメータである。そのようなセンサの目的は、血中酸素飽和度を得ることであり、一方、それはまた、皮膚内の血液量の変化を検出し、それによってPPG検知を実行する。血液量の変化を検出することによって、脈拍に対応する周期信号が得られる。パルスオキシメータのようなPPGセンサは、このようにして、脈拍数の指標を供給するために一般的に使用されている。
【0092】
PPGセンサは少なくとも1つのLED及び1つの光センサを含む。LED及びセンサは、LEDがユーザの皮膚内に光を向け、その光が反射又は伝達されてセンサによって検出されるように、配置される。反射/伝達される光の量は、とりわけ、皮膚内の血液のかん流によって決定される。
【0093】
PPGシステムは、例えば、赤色LEDと、近赤外線LEDと、光検出ダイオードとを含む。センサは、通常は、対象の皮膚の上に直に接するLED及び光検出ダイオードにより構成される。
【0094】
LEDは異なる波長で光を発する。光は、皮膚の血管床を通って拡散し、光検出ダイオードによって受光される。波長の夫々で変化する吸収度が測定されて、例えば、静脈血、皮膚、骨、筋肉、及び脂肪を除いて、脈打つ動脈血のみに起因した吸収度を決定することをセンサに可能にする。それから、結果として得られるPPG信号は解析され得る。
【0095】
PPGデータを得るためのシステムの他のより簡単なバージョンが使用されてもよく、1つ以上の波長の単一の光源を備えたバージョンを含む。光の吸収作用及び反射率は、脈打つ動脈血流量によって変調され、光検出ダイオードを用いて検出される。
【0096】
透過型パスルオキシメトリでは、センサデバイスは、対象の身体の薄い部分に配置される。反射型パルスオキシメトリは、透過型パスルオキシメトリに代わるものとして使用されることがある。この方法は、人体の薄い区間を必要とせず、従って、上述されたように、手首のような、より一般的な適用に適している。
【0097】
PPGセンサの基本設計は、例えば、PPG信号を測定するために単波長光源(例えば、緑色光(550nm))を備えた接触式センサである。光源は、128kHzといった、ある光出力周波数でパルス出力される。光センサのサンプリング周波数は、より高く、例えば256Hzであり、それにより、光センサは、光源がアクティブである最中及びそのような期間どうしの間に測定を行う。これは、システムが、LEDからの放射光と周囲光とを区別し、それによって、光源パルス中で受け取られた信号から周囲光を除去することを可能にする。
【0098】
他の既知の提案では、PPGデータは、カメラ画像から取得され得る。この場合に、周囲光及び/又は追加の光源が組織(例えば、皮膚)を照射するために使用される。よって、PPG測定は、組織から少し離しても行われ得る。この場合に、光源及び/又は検出器は、例えば、カメラに基づく測定の場合に、組織と接触していない。
【0099】
PPGデータは、1つ以上の波長(例えば、通常は1から10の間の任意数の波長)で取得され得るが、10よりも多い数の波長が使用されてもよい。
【0100】
PPGデータを取得する装置及び技術は、当該技術でよく知られており、実際に、多種多様なPPGセンサが市販されている。それらは、例えば、エクササイズ中に心拍数を測定するデバイスで使用されている。
【0101】
上述されたように、PPG信号(又は他)の関心のある特徴は、心拍数変動(HRV)に関係がある。このために、処理ユニットは、各心周期の拍動開始をPPG信号において見つける。その場合に、拍間インターバル(IBI)時系列の耐雑音性推定がある。HRV特徴は、次いで、睡眠段階検出及び無呼吸検出のために、取り出されたIBI時系列から導出される。
【0102】
上述されたように、複数のセンサが、関心のある特徴(例えば、HRV情報)のよりロバストな決定を可能にするために使用されてよい。その上、加速度計などの更なるセンサが使用されてもよく、そのデータは、運動アーチファクトによって破損した情報を識別及び除去するために、かつ、睡眠段階分類精度を改善するために使用され得る追加の特徴を抽出するために、使用可能である。他のセンサは、呼吸情報を取り出すために使用されてよい。例として、パルスオキシメトリから導出される特性(SpO)が使用されてよく、それらは、マルチ波長PPGセンサから取得され得る。血液中の酸素飽和度の変化又は低下を示す特徴があり、これらも、睡眠時無呼吸事象と強い相関がある。
【0103】
呼吸努力の代替的測定値も、ロー(raw)PPG信号から自動で導出され得る。次いで、これらの測定値は、無呼吸事象のタイプ、例えば、閉塞性睡眠時無呼吸(流れの中断があるが、呼吸努力は続く)対中枢型睡眠時無呼吸(呼吸努力も中断する)を分離することを助けるために使用され得る。これは、もっぱらPPG検知から導出され得るので、追加のセンサを加えずに実装され得る。
【0104】
更に、PPG信号の他の特性、例えば、睡眠段階特有の特性又は無呼吸事象と相関するPPG信号の形態の特徴が、解釈されてもよい。
【0105】
図5は、図2のシステムによって実行される基本的な方法を示し、例えば、睡眠段階は決定されるか又はシステムへ入力される。方法は、
ステップ40で、睡眠時無呼吸を検出することに使用されるセンサ信号を生成し、
ステップ42で、睡眠段階を決定するか、あるいは、睡眠段階の識別を入力として受け取り、
ステップ44で、決定された睡眠段階に依存する検出アルゴリズムを用いて、センサ信号に基づいて無呼吸事象を検出する
ことを有する。
【0106】
方法は、睡眠段階を、睡眠中の対象の生理学的パラメータに関係がある、より一般的な第1特性であると見なすことによって、一般化されてよい。
【0107】
本発明のシステムは、睡眠時呼吸障害及び睡眠時運動異常症を有する対象の夜通しの睡眠ポリグラフ記録を含むデータセットに処理を適用することによって、試験されている。
【0108】
生理学的信号源として、対象の指に置かれたセンサにより、PPGデータが使用された。睡眠セッションからの参照ヒプノグラムは、睡眠採点システムによって自動分類された睡眠段階のエキスパートレビューによって取得された。参照無呼吸及び他の睡眠障害事象は、同じプロシージャにより点数付けされた。
【0109】
データセットは、2876分の注釈付き無呼吸事象を含む10131分の全期間の55個の睡眠セッションを含んでいた。
【0110】
指PPGから、最良の開始位置が導出され、IBI時系列に変換される。IBI時系列から、全部で155個の異なるHRV特徴が取り出された。
【0111】
オフラインの特徴選択及びモデル訓練プロセスは、睡眠段階ごとに、その睡眠段階について睡眠時無呼吸クラス分離を最大にする特徴のサブセットに基づく一意のモデルを提供する。それら155個の特徴は、上記の特徴カテゴリに入る。
【0112】
特徴は、270秒の長さ及び30秒のオーバーラップを有するスライディング窓から抽出された。
【0113】
睡眠段階特有無呼吸分類器を適用することが、非睡眠段階特有無呼吸検出モデルが適用される使用ケースと比較して、より広いクラス分離を可能にするという前提を確かめるために、2つの実験が行われた。実際に無呼吸検出の精度を推定するために、受診者操作特性(receiver operating characteristics;ROC)が詳しく調べられ得るようにデータを訓練/試験分割に分けることによって10−分割交差検証(10-fold cross validation)が実行された。
【0114】
第1の構成Aでは、睡眠段階特有情報を考慮に入れない無呼吸予測モデルが交差検証された。言い換えると、夫々のk番目のフォールド(fold)において、一般的な分類モデルが訓練され、訓練セットの入力特徴空間を、対応する参照無呼吸事象ラベルにマッピングした。分類器として、ロジスティック回帰モデルが使用された。訓練フェーズにおいて、特徴選択(回帰特徴推定)が、過剰適合(overfitting)を減らすことによって一般性を高めるよう、夫々のk番目のフォールドに適用された。これは、モデル構成プロセスの部分である。
【0115】
ランクが最も高かった特徴から、少なくとも6個のフォールドで現れる特徴が、最終の特徴セットを構成する。
【0116】
試験フェーズ中、各フォールドにおける試験データは、試験エコーに割り当てられた参照(グラウンドトゥルース)睡眠段階によって分割され、睡眠段階カテゴリごとに、無呼吸検出性能が評価された。より具体的に、ROC曲線は、夫々のk番目のフォールドについて、特定の睡眠段階クラスに由来するインスタンスを試験することによって得られた無呼吸クラス確率推定の集合から構成された。
【0117】
第2の構成Bでは、上記の方法が評価された。訓練データは、参照睡眠段階クラスによってグループ化された。睡眠段階カテゴリごとに、専用の無呼吸事象検出モデルが夫々のk番目のフォールドにおいて訓練された。訓練中に、同じロジスティック回帰分類スキーム及び特徴選択ストラテジーが、構成Aにおいて実行されたように適用された。
【0118】
試験フェーズでは、睡眠段階特有無呼吸検出モデルを適用することによって無呼吸検出精度を高めることを研究することに焦点が置かれた。所与のエポック中に無呼吸事象が起きたかどうかを試験するために、エポックに関連した参照段階が、適切な睡眠段階特有無呼吸検出モデルを選択するために使用された。言い換えると、仮説的に完ぺきな睡眠段階分類器が、実際の特徴データにより訓練された睡眠段階分類器の代わりにシミュレーションされた。また、この場合にも、ROC曲線が、取得された無呼吸クラス確率推定から構成された。この性能評価シナリオは、参照睡眠段階によって試験データを分割し、睡眠段階カテゴリごとに無呼吸検出性能を評価することと同等である。
【0119】
結果は、10−フォールドROC信号のプロット、すなわち、偽陽性率に対する真陽性率のプロットとして示される。プロットは、10個のフォールドについてのラインを示し、10個全てのフォールドについての平均プロット(破線)及びユニティ傾斜ライン(やはり破線)が示される。
【0120】
図6は、睡眠段階Rに由来する試験インスタンス(エポック)を含む試験セットについて、構成A(睡眠段階から独立した無呼吸検出)の結果を示す。図7は、やはり睡眠段階Rについて、構成B(睡眠段階を考慮する無呼吸検出)の対応する結果を示す。
【0121】
図8は、睡眠段階N1に由来する試験インスタンス(エポック)を含む試験セットについて、構成A(睡眠段階から独立した無呼吸検出)の結果を示す。図9は、やはり睡眠段階N1について、構成B(睡眠段階を考慮する無呼吸検出)の対応する結果を示す。
【0122】
図10は、睡眠段階N2に由来する試験インスタンス(エポック)を含む試験セットについて、構成A(睡眠段階から独立した無呼吸検出)の結果を示す。図11は、やはり睡眠段階N2について、構成B(睡眠段階を考慮する無呼吸検出)の対応する結果を示す。
【0123】
図12は、睡眠段階N3に由来する試験インスタンス(エポック)を含む試験セットについて、構成A(睡眠段階から独立した無呼吸検出)の結果を示す。図13は、やはり睡眠段階N3について、構成B(睡眠段階を考慮する無呼吸検出)の対応する結果を示す。
【0124】
図14は、睡眠段階Wに由来する試験インスタンス(エポック)を含む試験セットについて、構成A(睡眠段階から独立した無呼吸検出)の結果を示す。図15は、睡眠段階Wについて、構成B(睡眠段階を考慮する無呼吸検出)の対応する結果を示す。
【0125】
以下の表1は、構成A及びBに取得された10−分割交差検証応答から構成されるROC曲線の下の平均面積(曲線下面積,AUC)によって測定された睡眠段階クラスごとの無呼吸予測精度の概要を提供する。
【表1】
【0126】
結果は、睡眠段階特有無呼吸検出モデルを適用することが、一般的な(非睡眠段階特有)無呼吸検出モデルが適用されるシステムと比較して優れた無呼吸事象検出精度を有していることを明らかに示す。
【0127】
試験された睡眠段階の間で、構成Bを検証することにおいて取得されたROC曲線は、一般に、より低い変動を有し、構成Aにおける曲線は、一般に、ランダム推量ラインを表すROC空間の対角線により近い。更に、構成Bで得られる評価された睡眠段階クラスごとのAUC値は、概して、構成Aによる結果と比較して高い。
【0128】
上記の例では、無呼吸と非無呼吸との間の区別であった。検出は、結果として得られる異なるHRVパターンに基づいて、無呼吸と呼吸低下との間及びOSAとCSAとの間を区別するよう拡張されてよい。例えば、上述されたように、他のPPG特性、特に、呼吸努力の代替的測定値に関するものが、OSAをCSAと区別するために使用されてよい。これは、呼吸努力の有無がそれら2つのタイプの無呼吸事象を区別する重要な因子であるからである。
【0129】
上記の詳細な例は、睡眠段階の識別に関係がある。しかし、上述されたように、本発明は、如何なる中間特性にもより一般的に関係があり、それらの中間特性は、次いで、よりカスタマイズされた無呼吸検出アルゴリズムの間の選択を可能にする。上述されたように、首尾一貫したHRV特性のクラスタ又はグループが存在してもよく、それらは、次いで、無呼吸検出のための別のアルゴリズムに夫々のマッピングすることができる。これは、実際の睡眠段階分類のニーズを回避する。2段階無呼吸検出アプローチは、無呼吸検出において依然として、改善された精度をもたらす。
【0130】
上述されたように、システムは、データ処理を実行するためにプロセッサを利用する。プロセッサは、必要とされる様々な機能を実行するよう、ソフトウェア及び/又はハードウェアにより、多数の方法で実装可能である。プロセッサは、典型的に、必要とされる機能を実行するようソフトウェア(例えば、マイクロコード)を用いて実装され得る1つ以上のマイクロプロセッサを用いる。プロセッサは、いくつかの機能を実行する専用のハードウェアと、他の機能を実行する1つ以上のマイクロプロセッサ及び関連する回路との組み合わせとして実装されてもよい。
【0131】
本開示の様々な実施形態で用いられ得る回路の例には、制限なしに、従来のマイクロプロセッサ、特定用途向け集積回路(ASIC)、及びフィールド・プログラマブル・ゲート・アレイ(FPGA)がある。
【0132】
様々な実施で、プロセッサは、RAM、PROM、EPROM、及びEEPROMのような揮発性及び不揮発性コンピュータメモリのような1つ以上の記憶媒体に関連してもよい。記憶媒体は、1つ以上のプロセッサ及び/又はコントローラで実行される場合に、必要とされる機能を実行する1つ以上のプログラムによる符号化されてよい。様々な記憶媒体は、プロセッサ又はコントローラ内で固定されてよく、あるいは、そこに記憶されている1つ以上のプログラムがプロセッサにロード可能であるように、可搬型であってもよい。
【0133】
開示されている実施形態に対する他の変形例は、図面、本開示、及び添付の特許請求の範囲の検討から、請求されている発明を実施する際に当業者によって理解及び達成され得る。特許請求の範囲において、語「有する」(comprising)は、他の要素又はステップを除外せず、不定冠詞(a又はan)は、複数を除外しない。特定の手段が相互に異なる従属請求項で挙げられているという事実は、それらの手段の組み合わせが有利に使用され得ないことを示すものではない。特許請求の範囲中の如何なる参照符号も、適用範囲を制限するものとして解釈されるべきではない。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【手続補正書】
【提出日】20201105
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
睡眠時無呼吸を検出するシステムであって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成する生理学的センサと、
プロセッサと
を有し、
前記プロセッサは、
睡眠段階を決定するか、又は睡眠段階の識別を入力として受け取り、
異なった非覚醒睡眠段階のための少なくとも2つの検出アルゴリズムを含む検出アルゴリズムの組から前記睡眠段階に応じて選択される検出アルゴリズムを用いて、前記センサ信号に基づいて無呼吸事象を検出する
よう構成され
各検出アルゴリズムは、訓練された睡眠段階に特有の分類器を有する、システム。
【請求項2】
前記プロセッサは、前記センサ信号から導出される心拍数変動情報から前記睡眠段階を決定するよう構成される、
請求項1に記載のシステム。
【請求項3】
前記生理学的センサは、PPGセンサ及び/又はECGセンサを有する、
請求項1又は2に記載のシステム。
【請求項4】
前記プロセッサは、
前記センサ信号から心拍タイミングを取り出し、
拍間インターバル時系列を導出し、
前記拍間インターバル時系列から心拍数変動情報を取り出す
よう構成される、
請求項1乃至3のうちいずれか一項に記載のシステム。
【請求項5】
前記プロセッサは、
時間フレームの連続として前記センサ信号をサンプリングし、
各時間フレームから前記センサ信号の心拍数変動特徴を含む第1特徴を取り出し、
前記第1特徴から各時間フレームについて睡眠段階を決定する
よう構成される、
請求項1乃至4のうちいずれか一項に記載のシステム。
【請求項6】
前記プロセッサは、
各時間フレームについて、前記センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを、前もって決定された睡眠段階に応じて選択し、
各時間フレームから前記センサ信号の第2特徴を取り出し、
前記第2特徴から及び前記選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定する
よう構成される、
請求項5に記載のシステム。
【請求項7】
前記第2特徴は、前記前もって決定された睡眠段階に依存するモデルを用いて取り出される、
請求項6に記載のシステム。
【請求項8】
前記第2特徴は、心拍数変動情報を有する、
請求項6又は7に記載のシステム。
【請求項9】
睡眠時無呼吸を検出する方法であって、
睡眠時無呼吸を検出することに使用されるセンサ信号を生成することと、
睡眠中の対象の睡眠段階を決定するか、又は該睡眠段階の識別を入力として受け取ることと、
異なった非覚醒睡眠段階のための少なくとも2つの検出アルゴリズムを含む検出アルゴリズムの組から前記睡眠段階に応じて検出アルゴリズムを選択することによって、前記センサ信号に基づいて無呼吸事象を検出することと
を有し、
各検出アルゴリズムは、訓練された睡眠段階に特有の分類器を有する、方法。
【請求項10】
前記センサ信号から導出される心拍数変動情報から前記睡眠段階を決定することを有する、
請求項9に記載の方法。
【請求項11】
前記センサ信号から心拍タイミングを取り出すことと、
拍間インターバル時系列を導出することと、
前記拍間インターバル時系列から心拍数変動情報を取り出すことと
を有する、
請求項9又は10に記載の方法。
【請求項12】
時間フレームの連続として前記センサ信号をサンプリングすることと、
各時間フレームから前記センサ信号の第1特徴を取り出すことと、
前記第1特徴から各時間フレームについて睡眠段階を決定することと
を有する、
請求項9乃至11のうちいずれか一項に記載の方法。
【請求項13】
各時間フレームについて、前記センサ信号から睡眠時無呼吸を識別するために使用される無呼吸分類モデルを選択することと、
前もって決定された睡眠段階に依存するモデルを用いて各時間フレームから前記センサ信号の第2特徴を取り出すことと、
前記第2特徴から及び前記選択された無呼吸分類モデルから無呼吸又は非無呼吸状態を決定することと
を有する、
請求項12に記載の方法。
【請求項14】
コンピュータプログラムコード手段を有するコンピュータプログラムであって、
前記コンピュータプログラムコード手段は、当該コンピュータプログラムが請求項1乃至8のうちいずれか一項に記載のシステムのプロセッサで実行されるときに、請求項9乃至13のうちいずれか一項に記載の方法を実装するよう構成される、
コンピュータプログラム。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】0037
【補正方法】削除
【補正の内容】
【国際調査報告】