학 술 논 문
75
코골이용 압전센서를 이용한 수면무호흡 검출에 관한 예비 연구
에르덴바야르
1·이효기
1·김호중
2·이경중
11연세대학교 의공학과, 2성균관대학교 의과대학 내과학교실, 섬성서울병원 호흡기내과
Sleep Apnea Detection Using a Piezo Snoring Sensor: A Pilot study
Erdenebayar Urtnasan
1, Hyo-Ki Lee
1, Hojoong Kim
2and Kyoung-Joung Lee
11Department of Biomedical Engineering, Yonsei University
2Division of Pulmonary and Critical Care Medicine, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine
(Manuscript received 12 May 2014; revised 23 July 2014; accepted 14 August 2014)
Abstract: This paper proposed a method that can automatically classify sleep apnea by using features extracted from pulse rate variability(PRV) signals induced from piezo snoring sensor for patients with obstructive sleep apnea(OSA).
We have extracted eight features(NN, SDNN, RMSSD, NN10, NN50, LF, HF and LF/HF ratio) based on time and frequency analyses of PRV. Sleep apnea was classified by a linear discriminant analysis(LDA). A performance was evaluated using snore recordings from 13 patients with OSA (ages: 54.5± 10.5 years, body mass index: 26.3 ± 2.5 kg/m2, apnea-hypopnea index: 19.2± 6.0/h). The sensitivity and specificity were 78.9 ± 0.9% and 78.9 ± 0.9% for training set and 77.7± 10.9% and 79.0 ± 2.8% for test set, respectively. Our study demonstrated the feasibility of implementing a piezo snoring sensor based on a portable device as a simple and cost-effective solution for con- tributing to the OSA screening.
Key words: Sleep apnea, OSA screening, piezo snoring sensor
I. 서 론
수면무호흡(sleep apnea)의 검출은 임상학적으로 매우 중 요하다. 수면무호흡은 수면 중 호흡기류(air flow)가 10초 이상 정지되는 상태로서 코골이를 동반할 수 있으며, 반복 적인 무호흡은 신체적/생리적 변화를 초래하여 삶의 질을 저 하시킬 수 있다[1]. 또한, 수면무호흡 환자의 경우 야간의 수 면분절로 인해 주간의 과도한 피로, 졸림증 및 졸음운전으 로 인한 교통사고 등을 일으킬 수 있고, 심한 경우 수면 중 심장마비, 돌연사 등의 심각한 결과를 초래할 수 있다[2-4].
수면무호흡을 객관적으로 평가하는 표준 방법은 수면다원 검사이다. 수면다원검사는 수면 중 다양한 생체신호(뇌전 도, 심전도, 안전도, 호흡기류, 턱-다리 근전도, 가슴-배 호 흡운동, 혈중산소포화도, 코골이 등)를 동시에 측정하여 수 면 장애를 정확하게 진단할 수 있다. 그러나 수면다원검사 는 여러 개의 센서 부착이 필요하고, 전문가의 수작업 판독 으로 인해 시간 소모가 많고, 고가의 복잡한 진단 장비가 요 구된다.
수면무호흡을 간편하고 쉽게 평가하기 위해 심박변이율 (heart rate variability, HRV)[5-7], 호흡기류[8], 혈중산 소포화도[9], 기관지 소리[10] 및 심박출량[11] 등을 활용한 휴대용 수면모니터링 방법에 관한 많은 연구가 진행되고 있 다. 그 중 수면무호흡의 선별검사(screening test)로 유용 하다고 알려진 심박변이율은 교감신경과 부교감신경 영향에 의해 조절이 되며, 수면무호흡이 발생할 경우 교감신경과 부 교감신경 활동에 변화를 초래하고 이는 심박변이율 분석을 통해 확인할 수 있다[5]. 또한 심박변이율은 수면호흡장애 Corresponding Author : Kyoung-Joung Lee
Department of Biomedical Engineering, Yonsei University, Wonju, Gangwon-do, 220-710, Korea
TEL: +82-33-760-2433 / FAX: +82-33-763-1953 E-mail: [email protected]
이 연구는 산업통상자원부 신성장동력장비경쟁력강화사업(10040408, 인체용 수면무호흡 방지 양압호흡기 개발) 과제의 지원을 받아 수행 하였음.
76
(sleep-disordered breathing), 수면단계(sleep stage), 주 기적 팔다리 움직임(periodic limb movements), 불면증 (insomnia) 등의 수면활동에 영향이 있기 때문에 수면 모 니터링에 널리 사용되고 있다[6]. 심박변이율의 분석은 심전 도 신호만 이용하기 때문에, 다수의 생체신호를 획득해야 하 는 수면다원검사보다 간편해졌지만, 이 역시 가슴이나 팔다 리에 전극을 몸에 부착해야 하는 단점이 있다[7].
박동변이율(pulse rate variability, PRV)은 심장박동의 움직임을 심전도 신호를 이용하지 않고 박동 또는 진동을 감지할 수 있는 센서를 이용해 심박변이율을 추정한 것이 다. 심전도 신호 획득의 불편함을 해소하고자 광용적맥파 (photoplethysmogram) 센서[12], 가속도센서[13]나 마이 크로폰[14]을 이용한 박동변이율 분석방법이 제안되었다. 광 용적맥파는 박동변이율을 추정할 수 있는 편리한 방법으로 널리 사용되고 있으나 수면 중 손가락에 센서를 부착하는 것은 불편을 초래할 수 있고 코골이를 직접 측정할 수 없는 단점이 있다. 가속도센서는 박동변이율 측정에 유용하지만 움직임에 매우 민감하기 때문에 분석오류가 발생할 수 있 다. 마이크로폰의 경우 코골이 검출을 위해 가장 많이 사용 되지만, 음성학적 분석이 필요하기 때문에 높은 질의 음성 신호 획득이 요구되고 고용량의 저장장치가 필요하다.
압전센서는 저비용으로 소리나 진동을 잘 감지할 수 있는 센서로서 생체신호 모니터링을 위해 사용되고 있다. 수면무 호흡에 대표적인 증상인 코골이 검출[15], 수면호흡장애 진 단을 위한 호흡률 검출과[16] 수면의 질을 정량화하기 위한 연구에 사용되었다[17]. 최근 코골이용 압전센서를 이용하 여 심박률, 호흡률 및 코골이를 유도하여 수면무호흡을 확 인하는 연구가 보고되었으나[13], 수면무호흡을 검출하여 평가하는 결과는 아직 보고되지 않았다. 본 연구에서는 압 전센서에서 맥박변이율을 정확히 검출할 수 있다면 위에 언 급된 수면관련 질환들의 진단 및 모니터링이 가능할 것으 로 가정하였다. 이에 본 논문에서는 코골이용 압전센서 신 호로부터 박동변이율(pulse rate variability, PRV)을 유 도한 후 이에 근거한 특징을 추출하여 호흡성 수면 장애 환 자의 수면무호흡을 자동으로 분류할 수 있는 방법을 제안 하였다.
II. 연구 방법
1. 연구 대상 및 데이터 획득
본 연구를 위해 삼성서울병원 수면센터에서 획득한 폐쇄 성수면무호흡 환자 13명(나이: 54.5 ± 10.5세, 체질량지수 (BMI): 26.3± 2.5 kg/m2, 무호흡-저호흡지수(AHI): 19.2 ± 6.0/시간)의 표준 수면다원검사 데이터를 이용하였다(표 1).
수면무호흡의 분류 성능을 평가하기 위하여 각 환자의 기록 데이터마다 1시간 30분의 압전센서 신호를 사용하였다. 이 데이터를 선택하는 기준은 환자의 수면 단계가 처음으로 비 렘수면(non-REM sleep)에 들어간 후 30분, 그리고 마지막 비렘수면 단계가 종료되기 전 1시간으로 정하였다.
본 연구에서 사용된 압전센서는 수면다원검사 결과 중 코 골이를 판단하기 위해 환자 목에 부착[18,19]된 코골이용 압 전센서(REF1420610, Embla Systems Inc., 미국)이며, 신호는 200 샘플/초로 저장되었다. 저장된 신호는 RemLogic (Embla Systems Inc., 미국) 프로그램을 이용하여 데이터 를 EDF(European Data Format) 형태로 변환시켰으며, 변환된 데이터는 다시 MATLAB(Mathworks Inc., 미국) 프로그램을 이용해 분석하였다(그림 1).
2. 박동수 추정
본 연구에서는 심전도 측정이 필요한 심박변이율 분석 대 신에 코골이용 압전센서로부터 박동변이율을 분석하기 위해 박동수를 유도하였다. 먼저, 코골이용 압전센서 신호의 특성 을 보기 위해 시-주파수 분석을 실시하였다(그림 2). 그림 2(a)와 (c)를 통해 코골이 신호는 20 Hz 이상 대역에서 주 파수 특성이 두드러지며 심박과 관련된 신호는 15 Hz 미만 대역에서 주파수 특성이 두드러짐을 확인 할 수 있다. 따라 표 1. 피검자의 정보.
Table 1. Patient characteristics.
환자 수(남/여) 연령 (세) BMI (kg·m−2) AHI (h−1)
13 (11/2) 54.5 (10.5) 26.3 (2.5) 19.2 (6.0) AHI, apnea-hypopnea index; mean (SD)
BMI, body mass index;
그림 1. 수면무호흡 분류 방법의 전체 흐름도.
Fig. 1. Flow diagram of a method for sleep apnea classification.
77
서 압전센서 신호에서 심박을 유도하기 위해 그림 2(e)와 같 이 15 Hz 저역통과 필터를 사용하였다. 필터링 된 압전센 서 신호에서 펄스의 정점(peak point)을 검출하기 위해 식 (1), (2)와 같이 두 가지 초기 문턱치 값을 사용하였다.
THup= 0.4·(argmax{x[n]} − argmin{x[n]}),
n ∈ [0, 10·fs) (1)
THlw= 0.2·(argmax{x[n]} − argmin{x[n]}),
n ∈ [0, 10·fs) (2)
THup는 상위문턱치(upper threshold), THlw는 하위문턱 치(lower threshold), x는 전처리된 압전센서 신호, n은 문 턱치 설정을 위한 초기 10초 구간의 샘플, fs는 샘플링 주 파수를 나타낸다. THup과 THlw의 설정을 위한 계수는 경 험적으로 결정하였다. 가장 먼저, THup이상 되는 모든 점 을 검출하여 정점(Pk)으로 정하였다. 현재 검출된 정점과 앞 선 정점 간격이 0.5초 이내일 경우 현재 정점을 제외하였으 며, 정점으로부터 펄스 간 간격(pulse-to-pulse interval, PPI)을 계산하였다. 보다 정확한 정점을 잡기 위해 5점의 평균 PPI(PPImean)를 식(3)과 같이 계산하였다.
(3)
M은 평균을 계산하기 위해 사용된 정점 개수를 의미한 다. 현재 PPI가 PPImean 값의 1.5배보다 클 경우 해당구간 에서 search-back 과정을 수행하여 THlw보다 큰 정점을 다 시 찾았다. 모든 정점을 찾은 후(그림 3(a)) 오류정점을 제 거하기 위해 다시 식(3)과 같이 PPImean을 계산하고 현재 PPI가 PPImean값의 1.2배보다 크고, 0.8배 보다 작으면 현 재 PPI를 PPImean값으로 대체하였다. 오류정점이 제거된 PPI 신호(PPInew)를 식(4)에 적용하여 최종적으로 박동수 (PR)를 계산하였다.
(4)
fs는 샘플링 주파수이다. PR은 비등간격 신호(그림 3(b)) 이므로 보간법(interpolation) 및 재샘플링(resampling) 과 정을 거쳐 등간격 신호로 조정하였고 detrend를 통해 정규 화 된(그림 3(c)) PR신호를 분석하였다.
3. 수면무호흡 분류
본 연구에서는 수면무호흡을 분류하기 위하여 압전센서 신호로부터 유도한 PR 신호의 박동변이율 분석을 위한 시 간 영역 및 주파수 영역 분석을 통해 총 8개의 특징들을 추 출하였다(표 2). 시간 영역의 특징 추출을 위해 PR 로부터 NN(normal-to-normal pulse rate), SDNN(standard deviation of last NN), RMSSD(root mean square of successive differences of last NN), pNN10(percent of NN10 of total pulse rate) 및 pNN50(percent of NN50 of total pulse rate)을 계산하였고, 주파수 영역의 특징을 추출하기 위해 스펙트로그램 분석을 통해 매 1초 간격으로
PPImean[ ] 1n M--- Pk
m 0=
∑4 [n m– ]
=
PR n[ ] 60 PPInew[ ] fn ⁄s --- min( –1)
= 그림 2. 코골이용 압전센서 신호의 특성. (a) 압전센서 신호의 시-주
파수 분석 결과, (b) 획득된 압전센서 신호, (c) (a)의 시-주파수 분석 결과 중 1340~1360초 구간을 확대한 결과, (d) (c)의 범위에 상응 하는 (b)의 확대 결과, (e) (d)에서 15 Hz 저역통과 필터 거친 신호, (f) 기준 신호로 사용된 심전도 신호.
Fig. 2. Characteristics of data acquired from a piezo snoring sensor. (a) time-frequency analysis, (b) raw signal, (c) magnified result ranging from 1340 to 1360 seconds of (a), (d) magnified result ranging from 1340 to 1360 seconds of raw signal, (e) 15 Hz lowpass filtered signal of (d), (f) ECG signal as a reference.
그림 3. 박동수 유도 과정. (a) 정점 검출 결과, (b) 비등간격 박동변 이율 신호, (c) 보간법, 재샘플링, detrend를 통해 변환된 등간격 박 동변이율 신호.
Fig. 3. Procedure for estimation of pulse rate. (a) peak detection, (b) unevenly sampled pulse rate signal, (c) evenly sampled pulse rate signal transformed by interpolation, resampling and detrending.
78
주파수 변화를 관찰하여 LF(low frequency components), HF(high frequency components) 및 LF/HF ratio(ratio between LF and HF)를 계산하였다.
또한 추출한 특징들을 이용하여 수면 중 정상 호흡구간과 무호흡구간을 분류하기 위해 선형 판별 분석(linear dis- criminant analysis, LDA)을 사용하였다. LDA는 클래스 간 분산(between-class variance)은 최소로 하고 클래스 내 분산(within-class variance)을 최대로 하여 주어진 클래스 를 최적으로 분류해준다[20]. LDA를 적용하기 위해 학습군 (training set)의 압전센서 신호로부터 정상 호흡구간과 무 호흡구간에 대해 8가지 특징들을 학습하여 LDA의 기저 벡 터를 추출하였다. 분류 과정에서는 학습 과정에서 구한 LDA 기저 벡터에 시험군(test set)의 압전센서 신호의 특징들을
투영시켰다. 투영된 결과와 기저 벡터 간 최소거리를 계산 하여 정상 호흡과 무호흡을 분류하였다.
4. 통계분석 및 성능 평가
압전센서 신호에서 검출한 박동수 추정 알고리즘의 타당 성을 보기 위해 두가지 비교분석을 진행하였다. 먼저, 압전 센서에서 유도한 PPI 신호 및 기존(heart-rate interval, HRI)신호의 간에 Pearson의 선형 상관계수를 계산하였다.
또한 압전센서에서 유도한 박동변이율(PRV)과 심전도의 심 박변이율과에 상관계수를 계산하였다.
수면무호흡 분류를 위해 압전센서 신호에서 유도한 맥박 변이율로 추출한 각 특징들이 실제 심박변이율과 동일한 호 흡 구간 내에서 유사한 결과를 보이는지 확인하기 위해 t- 검정을 수행하였다(그림 4, 흑색 실선). 그리고 수면무호흡 구간과 정상 호흡 구간이 각 특징들에 대해 차이가 있는지 를 확인하기 위해 t-검정을 수행하였다(그림 4, 흑색 점선).
수면무호흡 분류 방법의 성능 평가를 위해 환자 데이터에 대해 개별적 성능 평가가 가능한 leave-one-out 교차검증 (cross validation) 방법으로 학습군과 시험군을 정하여 평 가하였다. 즉, 선택된 환자 한명의 데이터를 시험군으로 하 고 나머지 환자들의 데이터를 학습군으로 정해 선택된 한명 에 대한 검출 평가가 이루어진다. 이 과정을 전체 환자에 대 해 실시하고 수면무호흡 검출의 성능을 평가하기 위하여 식 (5), (6)로 정의되는 민감도(sensitivity)와 특이도(speci- ficity)를 계산하였다.
표 2. 수면무호흡 분류를 위해 추출한 특징들.
Table 2. Extracted features for classification of sleep apnea.
Time-domain features NN
SDNN RMSSD pNN10 pNN50
normal to normal pulse rate (PR) standard deviation of last NN
root mean square of successive differences of last NN
% NN10 of total PR
% NN50 of total PR Frequency-domain features
LF HF
LF/HF ratio
low frequency components high frequency components
ratio between low and high frequency components
그림 4. 심박변이율과 박동변이율에서 각 특징 간의 비교 결과.
Fig. 4. Comparison between each selected feature for heart rate variability and pulse rate variability.
79
Sensitivity(%) = (5)
Specificity(%) = (6)
식(5)에서 TP(True Positive)는 수면 중 무호흡을 정확 히 검출한 개수를 말하며, FN(False Negative)은 수면 중 무호흡 구간을 정상으로 잘못 검출한 개수를 의미한다. 식 (6)에서 FP(False Positive)는 정상호흡 구간을 수면무호흡 구간으로 잘못 검출한 개수를 말하며, TN(True Negative) 는 정상호흡 구간을 정상으로 검출한 개수를 의미한다. 즉, 민감도란 전체 수면 중 정확하게 수면무호흡을 검출한 정도 를 의미하며, 특이도란 정확하게 정상 호흡 구간을 검출한 정도를 의미한다.
III. 결과 및 고찰
코골이용 압전센서로부터 유도한 박동변이율은 실제 심박 변이율과 통계적으로 유의한 차이가 없었다(Mean ± SD, 0.7± 0.2, p-value < 0.01). 각 특징들 간 동일한 호흡 구간 에 대한 맥박변이율과 심박변이율의 경우, 무호흡 구간의 SDNN, RMSSD 및 HF를 제외한 경우에 있어 통계적으로 유의한 차이가 없었다. NN의 경우 무호흡 유무에 상관없이 심박변이율의 차이가 없는 것 같이, 박동변이율도 통계적으 로 유의한 변화가 없었다. SDNN, RMSSD 및 LF의 경우 무호흡 구간에서 심박변이율이 통계적으로 유의하게 증가했 으며, 박동변이율도 마찬가지로 증가하였다. LF/HF ratio 의 경우에도 정상 호흡 구간과 무호흡 구간에서 심박변이율 이 유의하게 차이가 있었고, 박동변이율도 차이가 있었다.
기존 연구에서 수면무호흡 환자의 심박변이율은 정상인과 비교하여 SDNN, RMSSD 및 LF 값이 증가한다고 보고하 였다[19,21]. 본 연구에서 사용된 환자 데이터의 경우에도 심박변이율은 기존 연구 결과에 상응하는 결과를 보여주었 다(그림 4). 압전센서를 이용하여 유도한 박동변이율도 이에 상응하는 결과를 보여주었다. 이는 본 연구에서 사용한 코 골이용 압전센서를 이용하여 유도한 박동변이율 분석 정보 는 심박변이율에 의한 분석 정보와 유사하며, 코골이용 압 전센서만 이용해 심박변이율 분석이 가능함을 시사한다. 그 러나 기존 문헌에 따르면 수면무호흡 환자의 NN, HF, LF/
HF ratio의 경우 상대적으로 감소한다고 보고되었으나, 본 연구 결과에서 LF/HF ratio는 상응하는 결과를 보였으나 NN과 HF는 유의한 차이를 확인할 수 없었다. 이는 분석한 데이터 수가 충분하지 못하고 AHI가 30이상인 중증 환자 에 대한 분석이 없기 때문에 발생한 결과로 예상되며 더 많 은 환자 데이터를 이용한 추가 분석이 필요하다.
코골이용 압전센서 신호를 이용해 13명으로부터 수면무
호흡을 분류한 결과 민감도 77.7%와 특이도 79.0%의 검출 성능을 보였다(표 3). 코골이용 압전센서 신호를 이용한 수 면무호흡 분류 방법은 시험군 결과에 대해 대부분 좋은 성 능을 보였으나, 본 연구에서 AHI 지수가 가장 높은 환자인 PE06(AHI: 29)과 PE08(AHI: 28)의 경우 다른 환자들에 비해 상대적으로 민감도가 낮았다(표 3). 무호흡이 발생하면 각성(arousal)으로 인해 무호흡이 종료되며 정상호흡으로 돌아오는 구간에서 움직임이 발생한다. 이 움직임은 압전센 서에 동잡음을 유발하며, 이로 인해 박동 검출 오류를 초래 한다. 즉, AHI가 높을수록 각성 횟수가 증가하며, 각성이 발생하는 구간의 동잡음으로 인해 박동 검출 오류가 증가할 수 있다. PE06과 PE08의 비디오 분석 결과, 다른 환자들 에 비해 각성으로 인한 움직임이 컸기 때문에 박동 검출 오 류가 증가되었고 민감도가 낮은 것으로 추론된다. 향후 박 동 검출 오류를 개선한 알고리즘 개발이 필요하며, 개선된 알고리즘을 본 연구에 적용할 경우 전체적인 수면무호흡 분 류 성능이 증가할 것으로 기대된다.
본 연구에서 제안한 박동변이율 추정치의 수면무호흡 검 출 성능을 기존 연구로부터 계산된 심박변이율에 의한 검출 TP FNTP+
--- 100× TN FPTN+ --- 100×
표 3. 수면무호흡 분류 결과.
Table 3. Classification results of sleep apnea.
Patient
Training set Test set
Sens. Spec. Sens. Spec.
PE01 PE02 PE03 PE04 PE05 PE06 PE07 PE08 PE09 PE10 PE11 PE12 PE13
78.7 77.4 78.2 79.2 77.5 80.6 78.9 80.2 79.0 78.7 79.5 79.0 78.3
78.8 77.4 78.2 79.2 77.5 80.6 78.9 80.4 79.1 78.7 79.6 79.1 78.4
80.1 92.2 88.4 74.7 91.3 56.4 78.5 59.9 75.9 81.9 70.0 76.1 85.3
79.7 78.2 79.2 82.5 78.3 82.3 79.3 82.3 76.8 79.8 80.0 74.5 73.5 Mean± SD 78.9 ± 0.9 78.9 ± 0.9 77.7 ± 10.9 79.0 ± 2.8 Sens.: sensitivity, Spec.: specificity
표 4. 수면무호흡 분류 성능 비교 평가표.
Table 4. Performance comparison of classification of sleep apnea.
Methods Training set Test set
Sens. Spec. Sens. Spec.
ECG heart rate based
features[22] 89.3 83.3 83.9 88.5
Piezo sensor pulse rate
based features 78.9 78.9 77.7 79.0
Sens.: sensitivity, Spec.: specificity
80
성능과 비교하였다(표 4). 압전센서에서 유도한 박동변이율 방법이 낮은 성능을 보이지만 단일 센서를 이용하여 코골이 뿐만 아니라 수면무호흡 유무를 선별검사 할 수 있는 장점 이 있지만 문제점으로는 코골이용 압전센서를 환자 목에 유 선으로 부착하는 접촉 방식이므로 데이터 획득 시 환자가 불편을 느낄 수 있다. 따라서 향후 초소형의 무선 압전센서 의 제작으로 환자의 불편을 최소화시킬 수 있다. 또한, 본 연구가 중증의 수면무호흡 환자는 제외되었기 때문에, 향후 중증 환자 및 더 많은 환자수에 대한 알고리즘의 성능 평가 를 위해 추가 연구가 필요하다.
본 연구에서 사용된 코골이용 압전센서는 수면무호흡을 성공적으로 분류할 수 있는 가능성을 보여 주었으며, 향후 수면무호흡이 의심되는 환자를 보다 간편하게 모니터할 수 있을 것으로 예상된다. 더 나아가 본 연구에서 사용된 코골 이용 압전센서는 코골이뿐만 아니라 심박 및 호흡을 추정할 수 있기 때문에, 수면무호흡 분류가 가능하므로 헬스케어와 건강검진에 유용하게 사용될 수 있을 것이다.
References
[1] C. Iber, S. Ancoli-Israel, A. L. Chesson, and S. F. Quan, The AASM manual for the scoring of sleep and associated events:
rules, terminology and technical specifications, Darien, IL, USA: American Academy of Sleep Medicine, 2007.
[2] A. N. Vgontzas, D. A. Papanicolaou, E. O. Bixler, K. Hop- per, A. Lotsikas, H. Lin, A. Kales, and G. P. Chrousos, “Sleep apnea and daytime sleepiness and fatigue: relations with vis- ceral obesity, insulin resistance, and hypercytokinemia,” J.
Clin. Endocrinol. Metab., vol. 85, no. 3, pp. 1151-1158, 2000.
[3] F. Barb, J. Perics, A. Muoz, L. Findley, J. Ant, and A. Agust,
“Automobile accidents in patients with sleep apnea syn- drome: An epidemiological and mechanistic study,” Am. J.
Respir. Crit. Care. Med., vol. 158, no. 1, pp. 18-22, 1998.
[4] R. Bhattacharjee, L. Kheirandish-Gozal, G. Pillar, and D.
Gozal, “Cardiovascular complications of obstructive sleep apnea syndrome: Evidence from children,” Prog. Cardio- vasc. Dis., vol. 51, no. 5, pp. 416-433, 2009.
[5] F. Roche, J. M. Gaspoz, P. Minini, V. Pichot, D. Duverney, F.
Costes, and J. C. Barthélémy, “Screening of obstructive sleep apnea syndrome by heart rate variability analysis,” Circula- tion, vol. 100, no. 13, pp. 1411-1415, 1999.
[6] P. K. Stein, and Y. Pu, “Heart rate variability, sleep and sleep disorders,” Sleep Med. Rev., vol. 16, no. 1, pp. 47-66, 2012.
[7] M. O. Mendez, J. Corthout, S. Van Huffel, M. Matteucci, T.
Penzel, S. Cerutti, and A. M. Bianchi, “Automatic screening of obstructive sleep apnea from the ECG based on empirical mode decomposition and wavelet analysis,” Physiol. Meas., vol. 31, no. 3, pp. 273-289, 2010.
[8] M. K. Erman, D. Stewart, D. Einhorn, N. Gordon, and E.
Casal, “Validation of the ApneaLinkTM‚ for the screening of sleep apnea: a novel and simple single-channel recording device,” J. Clin. Sleep. Med., vol. 3, no. 4, pp. 387-392, 2007.
[9] P. Levy, J. L. Pepin, C. Deschaux-Blanc, B. Paramelle, and C. Brambilla, “Accuracy of oximetry for detection of respi- ratory disturbances in sleep apnea syndrome,” Chest, vol.
109, no. 2, pp. 395-399, 1996.
[10] H. Nakano, M. Hayashi, E. Ohshima, N. Nishikata, and T.
Shinohara, “Validation of a new system of tracheal sound analysis for the diagnosis of sleep apnea-hypopnea syn- drome,” Sleep, vol. 27, no. 5, pp. 951-958, 2004.
[11] J. H. Lee, J. Lee, H. -K. Lee, and K. -J. Lee, “Sleep apnea detection using estimated stroke volume,” J. Biomed. Eng.
Res., vol. 34, no. 2, pp. 97-103, 2013.
[12] J. -U. Park, J. Lee, H. -K. Lee, and K. -J. Lee, “Estimation of respiration using photoplethysmograph during sleep,” J.
Biomed. Eng. Res., vol. 34, no. 3, pp. 105-110, 2013.
[13] D. S. Morillo, J. L. R. Ojeda, L. F. C. Foix, and A. L.
Jiménez, “An accelerometer-based device for sleep apnea screening,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 2, pp. 491-499, 2010.
[14] C. Doukas, T. Petsatodis, C. Boukis, and I. Maglogiannis,
“Automated sleep breath disorders detection utilizing patient sound analysis,” Biomed. Signal Process. Control, vol. 7, no.
3, pp. 256-264, 2012.
[15] H. K. Lee, J. Lee, H. Kim, J. Y. Ha, and K. J. Lee, “Snoring detection using a piezo snoring sensor based on hidden Markov models,” Physiol. Meas., vol. 34, no. 5, pp. 41-49, 2013.
[16] J. W. Yoon, Y. S. Noh, Y. S. Kwon, W. K. Kim, and H. R.
Yoon, “Improvement of dynamic respiration monitoring through sensor fusion of accelerometer and gyro-sensor,” J.
Electr. Eng. Technol., vol. 9, no. 1, pp. 334-343, 2014.
[17] Y. Okada, T. Y. Yoto, T. Suzuki, S. Sakuragawa, and T. Sug- iura, “Wearable ECG recorder with acceleration sensors for monitoring daily stress: Office work simulation study,” in Proc. 35th Annual International Conference of the IEEE EMBS, Osaka, Japan, Jul. 2013, pp. 4718-4721.
[18] D. B. Rendon, J. L. R. Ojeda, L. F. C. Foix, D. S. Morillo, and M. A. Fernandez, “Mapping the human body for vibra- tions using an accelerometer,” in Proc. 29th Annual Interna- tional Conference of the IEEE EMBS, Lyon, France, Aug.
2007, pp. 1671-1674.
[19] D. S. Morillo, J. R. Ojeda, L. C. Foix, D. B. Rendon, and A.
Leon, “Monitoring and analysis of cardio respiratory and snoring signals by using an accelerometer,” in Proc. 29th Annual International Conference of the IEEE EMBS, Lyon, France, Aug. 2007, pp. 3942-3945.
[20] R. A. Dunne, A Statistical Approach to Neural Networks for Pattern Recognition, Hoboken, NJ, USA : John Wiley &
Sons, 2007, pp. 19-34.
[21] K. Narkiewicz, P. J. van de Borne, R. L. Cooley, M. E.
Dyken, and V. K. Somers, “Sympathetic activity in obese subjects with and without obstructive sleep apnea,” Circula- tion, vol. 98, no. 8, pp. 772-776, 1998.
[22] M. O. Mendez, D. D. Ruini, O. P. Villantieri, M. Matteucci, T. Penzel, S. Cerutti, and A. M. Bianchi, “Detection of sleep apnea from surface ECG based on features extracted by an autoregressive model,” in Proc. 29th Annual International Conference of the IEEE EMBS, Lyon, France, Aug. 2007, pp.
6105-6108.
