寝息呼吸音の分類と呼吸の質の評価に関する研究

• Material Type: 博士論文
• Title: 寝息呼吸音の分類と呼吸の質の評価に関する研究
• Title Transcription: ネイキ コキュウオン ノ ブンルイ ト コキュウ ノ シツ ノ ヒョウカ ニ カンスル ケンキュウ
• Author/Editor: 王, 魯瑞
• Author Heading: 王, 魯瑞
• Publication Date: 2023-03-16
• Publication Date (W3CDTF): 2023-03-16
• Alternative Title: Study on classification of sleeping breath sounds and evaluation of breathing quality
• Degree grantor/type: 山口大学
• Date Granted: 2023-03-16
• Date Granted (W3CDTF): 2023-03-16
• Dissertation Number: 創科博甲第107号
• Degree Type: 博士(工学)
• Text Language Code: eng
• Alias of Author: Wang, Lurui
• Target Audience: 一般
• Note (General): 睡眠は人体にとって不可欠な生理学的プロセスである。人は生涯の約３分の１を睡眠に費やす。睡眠時間と睡眠の質は、どちらも人間の健康にとって重要である。睡眠の質とは、睡眠プロセスがどれだけ安らかで回復力があるかを表すものである。80以上の睡眠障害が睡眠の質に影響を与えることが知られている。そのうち、睡眠関連の呼吸障害(SRBD)は、２番目の要因となっている。睡眠関連の呼吸障害は、睡眠中に呼吸の異常が発生する睡眠障害であり、睡眠中の異常ないびきや呼吸停止または異常に低い呼吸などによって血液中の酸素濃度が低下し、うつ病、心血管疾患、脳卒中、さらには死に至るリスクが高まる。したがって、睡眠中の呼吸のモニタリングと分析は、ヘルスケアにおいて益々重要視されている。睡眠ポリグラフ(PSG)は、睡眠障害診断のゴールデンスタンダードとされているが、PSGは通常、医療技術者の監視の元で慣れない睡眠検査室で行われ、多くのセンサが着けられたため睡眠の妨げとなる場合も多い。本研究グループでは、一般家庭環境下で睡眠の質を常時にモニタリングする寝息呼吸音計測システムを開発している。本システムは、睡眠の邪魔にならないかつ簡便に終夜睡眠の呼吸音を高精度に計測することが可能である。本研究では、呼吸音の情報から睡眠の状態をより正確に分析するため、寝息呼吸音のパターン分類と呼吸の質を解析する技術の開発を目的とする。睡眠呼吸音には、正常な呼吸音といびき、異常な呼吸音といびきなど様々なバターンがある。これらのパターンを分類する方法、ならびに呼吸音から換気量を算出するアルゴリズムを開発することと、睡眠時無呼吸症候群の指数（AHI）を推定すること、さらに睡眠中の呼吸の質を評価することを試みる。具体的には、寝息呼吸音のノイズをバンドパスフィルターで一部除去したのち、時間特性波形(TCW)を算出する。時間特性波形に基づき、解析に有効な呼吸信号を低レベルの信号から切り出し、呼吸フェーズと無呼吸または低信号にフェーズ分割する。次に、呼吸フェーズに対してメル周波数ケプストラム係数(MFCC)を求め、凝集型階層的クラスタリング(AHC)アルゴリズムを適用して、正常な呼吸/異常な呼吸と、正常ないびき/異常ないびき、また、寝返りなど呼吸に関連性の低いものに分類する。分類された呼吸パターンを30秒ごとに分析し、呼吸の換気量相対値を算出する。本研究で提案した技術と解析方法に対して、その有効性と正確性を検証するとともに、無呼吸症候群の指数（AHI）を推定する方法と、換気量を高中低レベルに換算し、睡眠中の呼吸の質を評価する方法を提案し、その有効性を検証する。本論文は緒論・結言を含め７章から構成されている。第1章では、本研究の背景と概要を述べる。第2章では、睡眠時の呼吸音を分析するための信号処理技術と呼吸パターンの分類方法について述べる。睡眠時の呼吸音データには、歯ぎしりや体動による呼吸の乱れや周囲の環境ノイズなどが含まれることが多い。本章では、呼吸音を前処理してノイズをフィルタリングなどによる前処理を施した呼吸音信号に対して、時間特徴波形(TCW)と特徴モーメント波形(CMW)を算出し、吸気と呼気の分割を行う。各呼吸サイクルに対して、メル周波数ケプストラム係数(MFCC)を求め、特徴ベクトルとして、凝集型階層的クラスタリング(AHC)アルゴリズムへ適用して、通常の呼吸信号（正常呼吸と異常呼吸、正常いびきと異常いびき）と、寝返りや環境ノイズなど呼吸に関連性の低い信号に分類する信号処理技術を述べる。第3章では、第２章で述べた技術を用い、睡眠時の呼吸音データを30秒ごとのフレームに対して、無呼吸、低呼吸、正常な呼吸、異常な呼吸、正常ないびき、異常ないびき、および寝返りなどのイベントに分類し、呼吸の状態を判別する方法を述べる。第4章では、分類された異常呼吸音と低レベル呼吸音信号に対して無呼吸低呼吸Apnea-Hypopnea Index (AHI)の推定方法を提案し、PSGの診断結果と比較検討し、その妥当性と有用性を検証する。第5章では、呼吸音から換気量の推定方法について述べる。正常の呼吸音は換気量に相関性が見られるため、本研究では、正常な呼吸と正常ないびきについては定量的に、無呼吸/低呼吸および異常な呼吸音については定性的に計算する方法を提案し、PSGの診断結果と比較検討し、その妥当性を検証する。第6章では、応用展開として、本件で提案した呼吸音の分類方法を心音解析に応用する事例と、ブロックチェーン技術を用いた異なる施設や病院等で採集した聴診データを共有するためのデータ収集分散システムの構築について説明する。第７章では、この研究の結論と今後の展望について述べる。; Sleep is an essential physiological process for the human body. People spend about one-third of their lives sleeping. Both sleep duration and sleep quality are important to human health. Sleep quality describes how restful and restorative the sleep process is. Over 80 sleep disorders are known to affect sleep quality. Among them, sleep-related breathing disorder (SRBD) is the second factor. Sleep-related breathing disorders are sleep disorders in which breathing abnormalities occur during sleep. Abnormal snoring and respiratory arrest or abnormally low breathing during sleep reduce oxygen levels in the blood, increasing the risk of depression, cardiovascular disease, stroke and even death. Therefore, monitoring and analysis of respiration during sleep is gaining increasing importance in healthcare.Polysomnography (PSG) is considered the gold standard for diagnosing sleep disorders, but PSG is usually performed in an unfamiliar sleep laboratory under the supervision of a medical technician and is often worn with many sensors that interfere with sleep. It is often the case. This research group is developing a breathing sound measurement system that constantly monitors the quality of sleep in general home environment. This system can easily measure breath sounds during sleep all night with high accuracy without disturbing sleep. The purpose of this research is to develop a technique to classify patterns of breathing sounds and to analyze the quality of breathing in order to more accurately analyze the state of sleep from breath sound information. There are various patterns of sleep breath sounds, such as normal breath sounds and snoring, and abnormal breath sounds and snoring. To develop a method to classify these patterns, to develop an algorithm to calculate ventilation from breath sounds, to estimate the sleep apnea index (AHI), and to assess the quality of breathing during sleep. try. Specifically, the temporal feature waveform (TCW) is calculated after partly removing the noise of the breathing sounds of sleep with a band-pass filter. Based on the time feature waveform, a respiratory signal effective for analysis is extracted from low-level signals and phase-divided into a respiratory phase and an apnea or low signal. Mel-frequency cepstrum coefficients (MFCC) are then obtained for the respiratory phases, and an agglomerative hierarchical clustering (AHC) algorithm is applied to distinguish between normal/abnormal breathing, normal/abnormal snoring, and normal/abnormal breathing. , tossing and turning, etc., which are less relevant to breathing. The categorized breathing patterns are analyzed every 30 seconds and the relative tidal volume of the breath is calculated. In addition to verifying the effectiveness and accuracy of the technology and analysis method proposed in this study, a method of estimating the apnea syndrome index (AHI) and converting the ventilation volume into high, medium, and low levels, We propose a method to evaluate the quality of breathing in a patient and verify its effectiveness.This paper consists of six chapters, including an introduction and conclusion.Chapter 1 introduces the background and overview of this research.Chapter 2 describes a signal-processing technique for analyzing breath sounds during sleep and a method for classifying breathing patterns. Breathing sound data during sleep often includes disturbed breathing due to bruxism or body movement, ambient environmental noise, etc. In this chapter, the Time Characteristic Waveform (TCW) and the Characteristic Moment Waveform (CMW) are calculated for respiratory sound signals that have undergone preprocessing, such as filtering noise to preprocess the respiratory sounds, and the segmentation of inspiration and expiration is performed. The Mel-Frequency Cepstrum Coefficients (MFCC) are obtained for each respiratory cycle and applied as a feature vector to the Agglomerative Hierarchical Clustering (AHC) algorithm. This method is used to classify ordinary respiratory signals (normal and abnormal breathing, normal and abnormal snoring) from signals less relevant to respiration, such as tossing and turning and environmental noise.In Chapter 3, using the technology described in Chapter 2, breathing sound data during sleep are classified into apnea, hypopnea, normal breathing, abnormal breathing, normal snoring, and abnormal breathing for each 30-second frame. In addition, we describe a method for classifying events such as no snoring and rolling over and determining the respiratory state.In Chapter 4, we propose a method for estimating the apnea-hypopnea Apnea-Hypopnea Index (AHI) for classified abnormal breath sounds and low-level breath sound signals, compare it with the diagnostic results of PSG, and examine its validity. And verify usefulness.Chapter 5 describes a method for estimating ventilation volume from breath sounds. Because normal breath sounds are correlated with ventilation, this study used a quantitative approach to calculate normal breathing and normal snoring and a qualitative method to calculate apnea/hypopnea and abnormal breath sounds. We will propose and compare it with the diagnosis result of PSG and verify its validity.In Chapter 6, as an application development, an example of applying the breathing sound classification method proposed in this study to heart sound analysis is presented. Finally, we will explain the construction of a data collection distribution system for sharing auscultation data collected at different facilities and hospitals using blockchain technology.Chapter 7 presents the conclusions and prospects of this study.
• Persistent ID (NDL): info:ndljp/pid/12910838; https://dl.ndl.go.jp/pid/12910838
• Collection (particular): 国立国会図書館デジタルコレクション > デジタル化資料 > 博士論文; https://dl.ndl.go.jp/collections/A00014
• Acquisition Basis: 博士論文（自動収集）
• Date Accepted (W3CDTF): 2023-07-08T03:42:28+09:00
• Format (IMT): application/pdf
• Access Restrictions: 国立国会図書館内限定公開
• Service for the Digitized Contents Transmission Service: 図書館・個人送信対象外
• Availability of remote photoduplication service: 可
• Periodical Title (URI): https://petit.lib.yamaguchi-u.ac.jp/29351
• Data Provider (Database): 国立国会図書館 : 国立国会図書館デジタルコレクション; https://dl.ndl.go.jp