臺灣博碩士論文加值系統

研究背景: 睡眠評分是診斷和治療睡眠障礙的重要程序。手動標記睡眠狀態耗時，因此需要使用諸如機器學習之類的適當技術來自動化。方法:採用本實驗室2012年使用穿戴式裝置出版之資料庫，收錄25位健康成人各一晚，收錄腦電圖、心電圖、活動計、肌電圖後經本實驗室睡眠分析演算法，得出24個睡眠特徵，並依重要性排序神經元輸入欄位。輪流將每位個案當作訓練模組的資料，設定大於輸入層76倍神經元數目，並先以1/3收斂神經元數目，再以3/5方式收斂，最後停滯收斂一層，如漏斗般之類神經架構形狀，進行2個訓練窗口(Epoch)即停止。再以其餘未使用於訓練的24位個案進行獨立測試後，平均得出正確率，並依各分類正確率差距分為6組。最後使用公開資料庫Physionet在2018年出版之覺醒睡眠病患資料，經本實驗演算法分析後，輸入該模組測試，從中選出Kappa值最高個案，使用此個案資料訓練模組，並將其它病患輸入模組測試，得出平均正確率。兩個資料庫由睡眠技師標睡眠階段來計算模組正確率。結果: 清醒與睡眠判斷正確率分別93%、93%，平均94%。若使用跨平台之覺醒病患則分別為，80%、76%，平均76%。同平台資料符合睡眠技師資格分數，除了含橫向雜訊資料，均大於80分，Kappa值總平均86.7。若去除含橫向雜訊之個案，Kappa值為88.6。清醒、快速動眼期、非快速動眼期正確率分別為94%、82%、87%，平均88%。本研究發現分析特徵在各睡眠階段重要性與意義進行排序，及漏斗型架構有助於判斷REM的能力。只做清醒與睡眠判斷時，因REM與清醒相似，將REM期資料移除，有助於機器學習，減少清醒與睡眠正確率差距。2 Epoch訓練總時間為2秒，能有助於加快訓練效率。本研究依各分類正率差距分為六組，隨正確率提升，在腦波N2睡眠階段觀察到Beta波也逐漸上升，但未有顯著差異，但在心率變異參數中副交感神經卻有顯著差異(p<0.05)，分數較好組別心跳也最低。

Objective: Sleep scoring is an important procedure in the diagnosis and treatment of sleep disorders. Manual annotation of sleep status is time-consuming and experience-relevant and, therefore, needs to be automated using appropriate technology such as machine learning. Methods: Polysomnography signals were recorded from 25 healthy young adults wearing a miniature physiological signal recorder. In this study, we applied a modified version of standard sleep monitoring which included EEG, EOG, EMG, ECG and 3-axis acceleration signals. After collection, the records were labeled with sleep stages by technicians. A deep neural network was trained to predict whether the subject is in sleep status or wake. We extract 24 features from raw signals following method provided by Kuo, Terry BJ, et al. presented in 2012. We used multi-layer perceptron to build a model for predicting sleep scoring by the 24 features. One of 25 subjects was randomly selected for model training. Sample from the selected subject was divided into the train-validation dataset and test dataset with a ratio of 4 to 1. Within the train-validation dataset, 5-fold cross-validation was used for tuning and to decide hyperparameters of the model. Classification accuracy of the model was assessed on test dataset from the same subject and the dataset of the other 24 subjects respectively. Results: We found a multiple-layer perceptron consists of 6 layers hidden layers and a total of 2701 neurons has a classification accuracy of 97.5% on the test dataset from the selected subject after 2 epoch of training. The same model training on selected subject achieved an accuracy of 94.4% on the dataset of the other 24 subjects. Discussion and Conclusion: The introduced method achieves high accuracy of sleep/wake staging in the other subject after the machine learning with the data from one subject. It also reduces the cost of aggressive feature extraction, data collection, and computing. This artificial intelligence technique can be applied in health management using the mobile medical device in the future.

目錄
致謝 I
中文摘要 II
英文摘要 III
目錄 IV
圖目錄 VII
表目錄 X
第一章 導論 1
1.1背景介紹 1
1.2研究動機 2
1.3相關研究 3
1.4主要貢獻 3
1.5章節安排 3
第二章 背景知識 4
2.1睡眠醫學檢查 4
2.1.1睡眠簡介 4
2.1.2睡眠週期 4
2.1.3多頻道睡眠訊號檢查(POLYSOMNOGRAPHY, PSG) 5
2.1.4覺醒睡眠(AROUSAL) 7
2.1.5失眠類型(DISORDERS) 9
2.2睡眠生理訊號分析 11
2.2.1濾波(FILTERING) 12
2.2.2去雜訊(DENOISING) 14
2.2.3重新取樣(RESAMPLING) 16
2.3訊號頻譜分析 17
2.3.1傅利葉轉換(FOURIER TRANSFORM) 17
2.4類神經網路 21
第三章 訓練睡眠分期模組泛化實驗 22
3.1簡介 22
3.2實驗設計 23
3.3實驗材料與基準 25
3.3.1睡眠分析程式 26
3.3.2硬體採集始資料格式 27
3.3.3公開資料庫採集始資料格式 28
3.4深度學習類神經架構設計 29
3.5類神經訓練方法設計 32
3.5.1挑選最佳模組流程 32
3.5.2挑選最佳個案與分析 32
第四章 睡眠分期模組實驗方法分析 35
4.1清醒(WAKE)與睡眠(SLEEP)模組 35
4.1.1清醒與REM在訓練類神經網路中泛化能力影響 35
4.1.2最佳模組正確率與泛化能力 37
4.1.3最佳模組遇異常資料之信心分數 38
4.1.4依個案泛化能力分群之睡眠生理訊號分析 42
4.2清醒(WAKE)、快速動眼期(REM)、非快速動眼期(NREM)模組 43
4.2.1模組正確率正泛化能力 43
4.2.2漏斗型架構設計在訓練類神經網路中泛化能力影響 45
第五章 跨平台實驗 46
第六章 結論 47
第七章 討論 48
參考文獻 49
附錄一、本實驗室資料庫品質調查 54
附錄二、公開資料庫(PHYSIONET)品質調查 55
附錄三、使用最佳個案評估雜訊與亞健康程度 57
附錄四、清醒與REM在類神經影響之實驗表格詳細內容 59
附錄五、醒睡判斷的25位個案訓練模型記錄與獨立測試 67
附錄六、排序控制組的獨立測試正確率 90
附錄七、踢除ACT睡眠特徵，判斷醒睡模型的獨立測試正確率 91
附錄八、跨平台獨立測試正確率 92
附錄九、本實驗室資料庫，經睡眠分析程式後之頻譜圖(25個) 94
附錄十、公開資料庫，經睡眠分析程式後之頻譜圖(55個) 119

圖目錄
圖 1全身淋巴系統分布。2015年發現腦部中樞系統有淋巴，而非沒有而更改，探討此為睡眠重大意義。綠色即為淋巴。 4
圖 2 LOCUS CERULEAN神經元激發圖 5
圖 3. BASAL FOREBRAIN神經元激發圖 5
圖 4清醒與睡眠各階段的EEG特徵(左)，和健康成年人典型夜間睡眠的時間組織圖(右) 6
圖 5. 覺醒睡眠的EEG特徵 7
圖 6. 失眠患者未服用安眠藥的CAP數為INSOMNIA-PLACEBO組，有服用安眠藥治療為INSOMNIA-HYPNOTICS組，以及健康控制組為CONTRALS(左)。而每位失眠病患的CAP數右圖，治療後顯著改善。 8
圖 7. AROUSAL(A PHASE)、NORMAL(B PHASE)稱作CAP。在圖中EEG循環交替出現覺醒睡眠 8
圖 8訊號方析方法流程圖 11
圖 9. 低通濾波:原始收集EEG訊號(左)，經過低通濾波後(右)，可以看見粗粗的雜訊不見了 13
圖 10. 濾波器設計 13
圖 11. 高通濾波:原始收集EEG訊號(左)，經過高通濾波後(右)，可以看見訊號不停增強的飄移現象消失了 13
圖 12. 從8通道(CHANNEL)原始資料(ORIGINAL)分離出IC1-IC3訊號。IC1如ECG訊號，IC2、IC3則像EMG訊號。 15
圖 13. 獨立成分分析的計算步驟流 15
圖 15 一段曲子示意圖 17
圖 16. 一個正弦波 18
圖 17. 高次諧波必然等於基波頻率若干倍，基波頻率的7倍的波為7次諧波，以此類推。不管幾次諧波他們都是正弦波。上圖是7次、21次、41次諧波合成的波形。累加的諧波成分越多，波形就越像方波。 19
圖 18. 黑色線即為累加的方波，從頻率方向看過去，可以得到頻域圖像，從時域看過去，可以得到時域圖像。由上往下看，可以觀察各波形的波峰、波谷位置得出相位差。但本文並為用到，而不解釋。 20
圖 19 正弦波就是一個畫圓周的動作(左)，並投影在一條直線上(右)。 20
圖 20. 預分類資料 圖 21. 預切割資料方式 21
圖 22 組成切割的方式 圖 23. 類神經網路架構 21
圖 24. 依操作觀察，從而歸納設計之預防過度學習訓練方法，建立睡眠週期辨識模型流程 22
圖 25. 雙資料庫實驗材料與基準 25
圖 26. 腦活動量計算公式 26
圖 27. 訊號前處理與分析，綜合本研究分類之簡易流程圖 26
圖 28. 左圖為穿戴式PSG第一代，右邊則是外觀改版 27
圖 29. 依神經元數繪製之曲線，呈現漏斗般之形狀。 29
圖 30 30
圖 31挑選最佳個案流程圖 33
圖 32分析個案雜訊度與亞健康度解說 33
圖 33挑選最佳模組流程 34
圖 34 踢除REM影響之實驗流程 36
圖 35在最佳模組下，24個案應用時的KAPPA成績(左)和準確率(右)，圖中顏色分組為 |WAKE ACCURACY – SLEEP ACCURACY| 之差距百分比。 37
圖 36橫向腦波頻譜圖。 38
圖 37 將所有清醒資料之信心分數撈出來繪圖，上方為正常資料組，下方則為異常資料。發現正常組分數趨近於1，而異常組明顯遠離。 39
圖 38 將所有睡眠資料之信心分數撈出來繪圖，上方為正常資料組，下方則為異常資料。發現正常組分數趨近於0，而異常組明顯遠離。 39
圖 39. 6組經後續檢定多重比較平均法，心律(左)與BETA波(右)結果 42
圖 40. 排序控制組模型，訓練完之類神經架構 43
圖 41. 未排序對照組模型，訓練完之類神經架構 43

表目錄
表 1. REM與NREM之心跳、腦與脊椎血流比較 10
表 2微型無線多頻道生理紀錄儀的採集原始資料格式(單位:HZ) 27
表 3. 公開資料庫的多頻道生理紀錄儀，採集原始資料格式(單位:HZ) 28
表 4深度學習類神經架構設計 29
表 5本實驗三組睡眠判斷之特徵內容與排序 31
表 6. 未做CLASS BALANCE，有無移除REM之獨立測試準確率 35
表 7. 做CLASS BALANCE ，有無移除REM之獨立測試準確率 35
表 8. 最佳模組之獨立測試總平均。 37
表 9. 模組遇正常與異常資料之信心分數。 38
表 10. 個案健康與雜訊綜合評估 40
表 11. 未排序對照組模型，訓練完之類神經架構 43
表 12. 排序控制組(左)與未排序對照組(右)，詳細順序 44
表 13 漏斗、三角矩形架構比較 45
表 14 踢除ACT特徵資料之正確率比較 46
表 15 比較使用一位健康與病患建立模型，其餘覺醒病患資料做測試 46
表 16健康型態資料，在訓練模型與被辨識時之表現 47
表 17 辦識睡眠週期模型之準確率總結 48

參考文獻
Altevogt, B.M., and Colten, H.R. (2006). Sleep disorders and sleep deprivation: an unmet public health problem (National Academies Press).
Arroll, B., Fernando, A., Falloon, K., Goodyear-Smith, F., Samaranayake, C., and Warman, G. (2012). Prevalence of causes of insomnia in primary care: a cross-sectional study. Br J Gen Pract 62, e99-e103.
Aston-Jones, G., and Bloom, F. (1981). Activity of norepinephrine-containing locus coeruleus neurons in behaving rats anticipates fluctuations in the sleep-waking cycle. Journal of Neuroscience 1, 876-886.
Berthomier, C., Drouot, X., Herman-Stoica, M., Berthomier, P., Prado, J., Bokar-Thire, D., Benoit, O., Mattout, J., and d'Ortho, M.-P. (2007). Automatic analysis of single-channel sleep EEG: validation in healthy individuals. Sleep 30, 1587-1595.
Camm, A.J., Malik, M., Bigger, J.T., Breithardt, G., Cerutti, S., Cohen, R.J., Coumel, P., Fallen, E.L., Kennedy, H.L., and Kleiger, R. (1996). Heart rate variability: standards of measurement, physiological interpretation and clinical use. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology.
Chen, W., and Black, J. (2005). Quantitative analysis of the sleep electroencephalogram. In Handbook of Clinical Neurophysiology (Elsevier), pp. 103-124.
Chen, Y., Fang, H., Xu, B., Yan, Z., Kalantidis, Y., Rohrbach, M., Yan, S., and Feng, J. (2019). Drop an octave: Reducing spatial redundancy in convolutional neural networks with octave convolution. arXiv preprint arXiv:190405049.
DeVries, T., and Taylor, G.W. (2018). Learning confidence for out-of-distribution detection in neural networks. arXiv preprint arXiv:180204865.
Fu, T.S.-T., Lee, C.-S., Gunnell, D., Lee, W.-C., and Cheng, A.T.-A. (2013). Changing trends in the prevalence of common mental disorders in Taiwan: a 20-year repeated cross-sectional survey. The Lancet 381, 235-241.
Ghassemi, M.M., Moody, B.E., Lehman, L.-W.H., Song, C., Li, Q., Sun, H., Mark, R.G., Westover, M.B., and Clifford, G.D. (2018). You snooze, you win: the physionet/computing in cardiology challenge 2018. Paper presented at: 2018 Computing in Cardiology Conference (CinC) (IEEE).
Hobson, J.A., McCarley, R.W., and Wyzinski, P.W. (1975). Sleep cycle oscillation: reciprocal discharge by two brainstem neuronal groups. Science 189, 55-58.
Iber, C. (2007). The AASM manual for the scoring of sleep and associated events: Rules. Terminology and Technical Specification.
Kandel, E.R., Schwartz, J.H., Jessell, T.M., Biochemistry, D.o., Jessell, M.B.T., Siegelbaum, S., and Hudspeth, A. (2000). Principles of neural science, Vol 4 (McGraw-hill New York).
Kemp, B. (2013). The sleep-edf database online. URL http://www physionet org/physiobank/database/sleep-edf.
Kuhn, M., Wolf, E., Maier, J.G., Mainberger, F., Feige, B., Schmid, H., Burklin, J., Maywald, S., Mall, V., and Jung, N.H. (2016). Sleep recalibrates homeostatic and associative synaptic plasticity in the human cortex. Nature communications 7, 12455.
Kuo, B.-J., and Yang, C.-H. (2012). Sleep analysis system and method for analyzing sleep thereof (Google Patents).
Kuo, T.B., Chen, C., Hsu, Y.-C., and Yang, C.C. (2012). Performance of the frequency domain indices with respect to sleep staging. Clinical Neurophysiology 123, 1338-1345.
Kuo, T.B., Lin, T., Yang, C.C., Li, C.-L., Chen, C.-F., and Chou, P. (1999). Effect of aging on gender differences in neural control of heart rate. American Journal of Physiology-Heart and Circulatory Physiology 277, H2233-H2239.
Kuo, T.B., Shaw, F.-Z., Lai, C.J., Lai, C.-W., and Yang, C.C. (2004). Changes in sleep patterns in spontaneously hypertensive rats. Sleep 27, 406-412.
Kuo, T.B., and Yang, C.C. (2009). Frequency domain analysis of electrooculogram and its correlation with cardiac sympathetic function. Experimental neurology 217, 38-45.
Li, F.-F., Karpathy, A., and Johnson, J. (2017). Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition (Accessed: Oct).
Louveau, A., Smirnov, I., Keyes, T.J., Eccles, J.D., Rouhani, S.J., Peske, J.D., Derecki, N.C., Castle, D., Mandell, J.W., and Lee, K.S. (2015). Structural and functional features of central nervous system lymphatic vessels. Nature 523, 337.
Murre, J., and Sturdy, D.P. (1995). The connectivity of the brain: multi-level quantitative analysis. Biological cybernetics 73, 529-545.
Orem, J. (2012). Physiology in sleep (Elsevier).
Organization, W.H. (2004). International statistical classification of diseases and related health problems, Vol 1 (World Health Organization).
Organization, W.H. (2014). Preventing suicide: A global imperative (World Health Organization).
Perlis, M.L., Smith, M.T., Andrews, P.J., Orff, H., and Giles, D.E. (2001). Beta/Gamma EEG activity in patients with primary and secondary insomnia and good sleeper controls. Sleep 24, 110-117.
Sadeh, A., Alster, J., Urbach, D., and Lavie, P. (1989). Actigraphically based automatic bedtime sleep-wake scoring: validity and clinical applications. Journal of Ambulatory Monitoring 2, 209-216.
Savareh, B.A., Bashiri, A., Behmanesh, A., Meftahi, G.H., and Hatef, B. (2018). Performance comparison of machine learning techniques in sleep scoring based on wavelet features and neighboring component analysis. PeerJ 6, e5247.
Semmlow, J. (2004). Biosignal and biomedical image processing: MATLAB-based applications. 2004. DOI 10, 9780203024058.
Speckmann, E., and Elger, C. (1998). Introduction to the Neurophysiological Basis of the EEG and DC Potentials IN: Niedermeyer, E., Lopes da Silva, FH. Electroencephalography-Basis Principles, Clinical Applications and Related Fields.
Terzano, M., Mancia, D., Salati, M., Costani, G., Decembrino, A., and Parrino, L. (1985). The cyclic alternating pattern as a physiologic component of normal NREM sleep. Sleep 8, 137-145.
Tolstov, G.P. (2012). Fourier series (Courier Corporation).
Xie, L., Kang, H., Xu, Q., Chen, M.J., Liao, Y., Thiyagarajan, M., O’Donnell, J., Christensen, D.J., Nicholson, C., and Iliff, J.J. (2013). Sleep drives metabolite clearance from the adult brain. science 342, 373-377.
Zamir, A.R., Sax, A., Shen, W., Guibas, L.J., Malik, J., and Savarese, S. (2018). Taskonomy: Disentangling task transfer learning. Paper presented at: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.