Automatic Detection Algorithm for Snoring and Heart beat Using a Single Piezoelectric Sensor

학 술 논 문

143

압전센서를 이용한 코골이와 심박 검출을 위한 자동 알고리즘

에르덴바야르·박종욱·정필수·이경중

연세대학교 의공학과

Automatic Detection Algorithm for Snoring and Heart beat Using a Single Piezoelectric Sensor

Erdenebayar Urtnasan, Jong-Uk Park, Pil-Soo Jeong and Kyoung-Joung Lee

Department of Biomedical Engineering, Yonsei University

(Manuscript received 2 June 2015; revised 14 October 2015; accepted 15 October 2015)

Abstract: In this paper, we proposed a novel method for automatic detection for snoring and heart beat using a single piezoelectric sensor. For this study multi-rate signal processing technique was applied to detect snoring and heart beat from the single source signal. The sound event duration and intensity features were used to snore detection and heart beat was found by autocorrelation. The performance of the proposed method was evaluated on clinical data- base, which is the nocturnal piezoelectric snoring data of 30 patients that suffered obstructive sleep apnea. The method achieved sensitivity of 88.6%, specificity of 96.1% with accuracy of 95.6% for snoring and sensitivity of 94.1%

and positive predictive value of 87.6% for heart beat, respectively. These results suggest that the proposed method can be a useful tool in sleep monitoring and sleep disordered breathing diagnosis.

Key words: snoring, heart beat, obstructive sleep apnea, piezoelectric sensor

I. 서 론

코골이는 폐쇄성수면무호흡증(obstructive sleep apnea, OSA) 을 나타내는 대표적인 증상이다. 폐쇄성수면무호흡증 은 야간의 수면분절로 인해 주간의 과도한 피로, 졸림증 및 졸음운전으로 인한 교통사고, 심한 경우 수면 중 심장마비, 돌연사 등의 심각한 결과를 초래할 수 있다[1-5].

폐쇄성수면무호흡 진단시 중요한 지표가 되는 코골이는 전형적으로 단일 또는 이중 마이크를 이용하여 측정, 분석 및 검출되었다[6-9]. 또한 고성능 마이크로폰을 이용하여 측 정된 호흡신호로부터 코골이를 검출한 후, 이를 근거로 폐 쇄성수면무호흡을 추정하는 방법들도 연구되었으나, 주변 잡

음에 의한 성능 저하, 고가의 마이크로폰을 사용해야 하는 단점을 보이기도 하였다[10]. 최근에는 polyvinylidene fluoride(PVDF)[11], 압전센서[12]를 이용하여 코골이를 분 석 및 검출하는 연구들이 시도되었으며, 측정된 코골이 신 호에 신경망[13], linear predictive coding(LPC)[14], hidden markov model[12] 등 고급 기계학습 알고리즘들 을 적용하여 더 정확하게 검출하는 방법들도 제안되었다. 특 히 수면다원검사 시 기본 센서들 중 하나로 널리 사용되고 있는 압전소자는 저가임에도 불구하고 소리나 진동을 잘 감 지할 수 있기 때문에, 코골이, 호흡률 및 수면활동의 모니터 링 등 많은 연구에 사용되고 있다[15]. 압전소자는 목에 부 착되어 호흡 시 발생하는 진동을 감지하기 때문에 마이크로 폰보다 주변 소리 잡음에 덜 민감하므로 수면 중 코골이 검 출용으로 많이 사용되고 있을 뿐 아니라, 환자 목의 동맥 떨 림에 의한 심박신호 검출이 가능한 것으로 추정된다. 본 연 구의 동기는 압전센서로부터 측정된 호흡신호로부터 코골이 와 심박을 동시에 추출하고자 하는 것으로서, 이전 연구에 서는 압전센서로 측정된 호흡신호로부터 단지 코골이를 검 Corresponding Author : Kyoung-Joung Lee

Department of Biomedical Engineering, Yonsei University, Wonju, Gangwon-do 220-710, Korea

TEL: +82-33-760-2433 / FAX: +82-33-760-1953 E-mail: [email protected]

본 연구는 2014년 교육부와 한국연구재단의 지역혁신창의인력양성

사업(NRF-2014H1C1A1063845)의 지원을 받아 수행하였음.

144

출하는 알고리즘 제안하였다[16]. 한 개의 신호로부터 코골 이와 심박을 동시에 검출하여 두 신호 특성을 이용하면 폐 쇄성수면무호흡을 더 정확하고 간편하게 추정 및 진단이 가 능할 것이다. 이에 본 연구에서는 압전센서로부터 측정된 호 흡신호로 부터 코골이와 심박을 동시에 검출하는 기법을 개 발하여 다중신호 기반의 호흡장애질환을 진단하는 기반을 구축하려고 한다.

II. 연구 방법

1. 연구 대상 및 데이터획득

본 연구를 위해 폐쇄성수면무호흡 환자 30명(여, 10명)의 표준 수면다원검사 기록 데이터를 이용하였다. 수면다원검 사 데이터는 삼성서울병원 수면센터에서 Embla N7000 (Embla System Inc., 미국) 장비를 통해 획득되었다. 모든 환자들의 수면데이터(250 샘플/초)는 수면 전문의에 의해 30 초 단위로 평가되었다. 또한 환자들을 수면무호흡-저호흡지 수(apnea-hypopnea index, AHI)에 따라 경증(5 < AHI

< 15) 군 10명(여 4명), 중등증(15 < AHI < 30)군 10명(여 3 명), 중증(30 < AHI)군 10명(여 3명)으로 나누었다. 표 1은 환자의 임상 및 수면 정보를 나타낸다. AHI지수 이외의 모 든 임상 및 수면 관련 데이터는 환자군 간에 통계적으로 유 의한 차이를 보이지 않았다.

본 연구에서는 표준 수면다원검사 결과 중 코골이 판단을 위해 환자 목에 부착된 코골이용 압전센서(REF1420610, Embla Systems Inc., 미국) 신호를 이용하였다. 압전센서 신호는 수면다원검사와 동기화시켜 기록하였으며 신호는 200 Hz 로 표본화되어 저장되었다. 코골이는 숙련된 수면 분 석전문가가 RemLogic(Embla Systems Inc., 미국) 수면전 용 소프트웨어를 이용하여 코골이 소리와 호흡 등 관련된 수면신호를 확인하고 주석을 달았다. 모든 신호처리는 MATLAB(Mathworks Inc., 미국) 프로그램을 이용해 분 석하였다. 본 연구는 삼성서울병원 의학연구윤리심의위원회 (Institutional Review Board, IRB) 의 승인 하에 진행되 었다.

2. 제안된 알고리즘

알고리즘을 설계하기 위해 우선 코골이용 압전센서를 이 용하여 수면 중 데이터를 획득하였다(그림 1). 먼저, 코골이 용 압전센서 신호의 특성을 보기 위해 시-주파수 분석을 실 시하였다. 분석 방법으로는 단시간 푸리에 변환(Short-Time Fourier Transform) 을 이용하였으며 주파수분해능을 높이 기 위해 10포인트 마다 분석하였다. 그 결과 코골이 신호는 30 Hz 이상 대역에서, 심박 신호는 20 Hz 미만 대역에서 주파수 특성이 두드러짐을 확인 할 수 있다(그림 2). 이렇 게 단일 압전센서 신호 내에 서로 다른 스펙트럼을 가진 코

Table 1. Demographic and sleep information for the subjects.

Subject groups Mild(5~15) [mean± std] Moderate(15~30)

[mean± std] Severe(30~)

[mean± std] p-value

AHI(events/hour) 8.1± 1.5 24.9± 6.0 47.3± 10.7 0.005

Gender(female/male) 10(4/6) 10(3/7) 10(3/7) -

Age(years) 54.2± 15.7 59.3± 12.1 52.7± 11.4 0.347

BMI(kg/m²) 24.0± 2.6 25.2± 3.1 27.4± 4.0 0.079

Total Sleep Time(min) 360.3± 41.9 331.3± 70.0 320.3± 61.4 0.146

Sleep Efficiency(%) 80.3± 9.2 77.1± 15.2 72.1± 14.0 0.273

AHI: apnea hypopnea index, BMI: body mass index

그림 1. 제안 방법의 전체 블록도.

Fig. 1. The Block diagram of proposed method.

145

골이와 심박을 동시에 검출하기 위해 스펙트럼별로 다르게 분석하는 멀티레이트(multirate) 신호 처리 기법을 사용했 으나 샘플링 비율은 동일하게 적용하였다. 그림 1(B)은 제 안된 알고리즘을 나타내고 있으며 코골이 검출 과정(그림 1B( 위))은 매 30초, 심박 검출(그림 1B(아래))은 매 60초마

다 분석되었다.

(1) 코골이 검출

일반적으로 코골이는 숨을 들이마실 때 발생하며 고주파 성분을 갖는 것으로 알려져 있다. 코골이는 폐쇄성수면무호

Fig. 2. The time frequency analysis of the piezoelectric sensor signal. Piezoelectric sensor signal(top), Spectrogram(bottom).

Dashed lines highlight the border line, which represent the cutoff frequency of 30 Hz, between snoring and heart beat spectrogram. Data were collected from a 37-year-old man(BMI = 27.5, AHI = 7.8).

그림 3. 코골이 검출 과정. A. 압전센서 신호, B. 필터링 된 신호, C. 에너지 신호, D. 검출된 코골이 이벤트. 점선은 코골이 검출 기준 10 dB 를 나타냄. 데이터는 37세 남자 환자(BMI = 27.5, AHI = 7.8) 기록.

Fig. 3. The process of the snoring detection. A. Piezoelectric sensor signal, B. Filtered signal, C. Energy signal, D. Detected snoring events. Dashed lines highlight the threshold(10 dB) of the snoring. Data were collected from a 37-year-old man(BMI = 27.5, AHI = 7.8).

146

흡증의 대표적인 증상이기 때문에 정확한 검출 및 분석이 중요하다. 또한 코골이는 발생 부위 및 환자 특성에 따라 복 잡한 스펙트럼 특성을 갖는다. 코골이 측정 시스템 및 검출 기준에 대한 표준이 제시되지 않았기 때문에 본 연구에서는 코골이 검출을 위해 압전센서로 측정된 코골이 신호(그림 3A) 를 이용하였다. 측정된 코골이 신호 x(t)에서 저주파 성 분을 제거하기 위해 고역통과필터(FIR, f

= 30 Hz)를 통과 하여 필터링 된 신호 x(m)를 구하였다(그림 3B). 그리고 식 (1) 을 이용하여 신호 x(m)로부터 에너지 신호 e(n)를 계산 하였다.

e( n) = x

( m)＊h(n − m), m = 1, 2, 3,…,N (1)

여기서 x(m)는 필터링 된 압전센서 신호, h(n)는 100 포 인트 해밍 윈도우이고, N은 전체 데이터 길이다. 다음 단계

로는 식(2)을 이용하여 에너지 신호 e(n)를 데시벨 신호 d(n) 로 표시하였으며(그림 3C), 계산된 d(n) 신호의 모든 소리 이벤트의 길이와 세기에 대한 분포도를 그림 4와 같이 구하 였다.

d( n) = 10·log

e( n), (2) 마지막으로 코골이 판단을 위해 코골이 지속시간과 세기 를 이용하였다. 먼저, 코골이 지속시간 기준을 1초부터 4.6 초로 정하였는데, 이것은 에너지가 1 dB 이상인 코골이 이 벤트들의 지속시간에 대한 분포도에 95% 신뢰구간을 기준 으로 하였다(그림 4A). 코골이 세기의 기준은 10 dB로 정 하였으며, 이것은 d(n) 신호의 코골이와 비( 非 ) 코골이의 분 포도를 구한 후 두 분포도의 교차점을 기준으로 하였다(그 림 4B).

n 0= N 1–

∑

그림 4. 코골이 특성 분석. A. 코골이 지속시간 분포도 B. 코골이 소리 세기 분포도

Fig. 4. Analysis of snoring characteristics. A. Histogram of event duration, B. Histogram of sound event intensity.

그림 5. 심박 검출 과정. A. 압전센서 신호, B. 필터링 된 신호, (+) 검출된 정점, C. 심전도 신호, 점선은 심전도와 압전센서 신호의 시간적 지연 비교. 데이터는 37세 남자 환자(BMI = 27.5, AHI = 7.8) 기록.

Fig. 5. The process of the heart beat detection. A. Piezoelectric-sensor signal, B. Filtered signal, (+) detected peak point, C.

Reference ECG signal, Dashed lines highlight the delay between ECG and filtered signal. Data was collected from a 37- year-old man(BMI = 27.5, AHI = 7.8).

147 (2) 심박 검출

심박은 환자의 목에 부착된 압전센서를 이용하여 목 부위 의 동맥 떨림을 감지함으로서 구할 수 있다. 심박은 코골이 보다 낮은 주파수 특성을 가지고 있음을 그림2를 통해 확인 하였다. 또한 심박신호가 일정한 주기로 발생하기 때문에 신 호의 한주기 내에서 최대 출력을 찾는 정합필터 개념을 적 용하였으며, 실제 구현은 자기상관성 방법을 이용하였다. 먼 저, 압전센서 신호(그림 5A) x(t)에 저역통과필터(FIR, f

= 30 Hz) 를 적용하여 코골이와 움직임 등 고주파 성분을 제 거하여 신호 x(n)에 저장하였다(그림 5B). 필터링 된 신호 x(n)에서 심박주기를 구하기 위해 식(3)을 이용하여 자기상 관성(autocorrelation)을 계산하여 주기를 구하였다. 자기 상관성 방법은 원래 신호 x(n)를 x의 기준 시간을 k만큼 이 동시킨 다음 두신호의 곱을 모두 더하여 구한다. 이 과정을 수식으로 표현하면 다음과 같다.

a( k) = x(n)x(n + |k|), k = 0, ± 1, …, ± M (3)

여기서 k = 0, ± 1, …, ± M 인 이산 지연 변수(M < N)이 며, M은 1분으로 정하였다. 이렇게 구한 주기 내에서 하나 의 정점을 검출한다. 이와 같은 과정을 매1분마다 반복하여 모든 정점을 검출한 후 정점신호 P

( n)에 저장하였으며, 정 점신호 P

( n)를 1차 미분하여 펄스 간격 P

( n)을 계산하였 다. 펄스 간격 P

( n)를 식(4)을 이용하여 박동변이율(pulse rate, PR) P

( n)를 계산하였다.

(min

) (4)

여기서 F

는 샘플링 주파수이다. P

은 비등간격 신호이므 로 보간법 및 재샘플링(resampling) 과정을 거쳐 등간격 신 호로 조정하였다.

(3) 성능 평가

제안된 알고리즘의 성능 평가를 위해 표준 수면다원검사 데이터를 기준으로 사용하였다. 코골이는 수면 분석전문가 가 평가한 데이터를 이용하였고, 심박은 심전도와 비교하여 평가하였다. 코골이에 대한 평가지표로는 민감도(Sensitivity), 특이도(Specificity), 정확도(Accuracy)와 환자군에 대해 성 능 차이를 보이는지 확인하기 위해 통계적 검증방법 중의 하나인 Kruskal-Wallis 검증을 통해 유의성을 검증하였 다. 심박에 대한 평가는 민감도(Sensitivity)와 양성예측도 (Positive Predictive Value, PPV)로 계산되었고, 타당성 평가는 심전도의 심박과 비교하였다.

III. 결과 및 토의

코골이 검출 성능 평가를 위해 환자별로 평균 338 ± 11.4 분의 데이터와 1170 ± 113개의 코골이 이벤트가 사용되었 다. 표 2는 제안한 알고리즘을 이용한 코골이 검출 결과를 폐쇄성 수면무호흡증 환자군 별로 비교한 결과이다. 전체 데 이터의 대한 평균 민감도 88.6%, 특이도 96.1%, 정확도 95.6% 의 값을 각각 보였는데 이 검출결과는 코골이 검출을 통한 수면무호흡 추정과 진단에 유용하게 적용될 수 있음을 보여준다. 그리고 환자군 간에 성능 차이 확인을 위해 군간 유의성 검증을 수행하였으며 특이도, 정확도에 대해 군간 유 1

N ----

n 0= N 1– –k

∑

P

[ ] n 60 F ⋅

P

[ ] n ---

=

표 2. 코골이 검출 결과.

Table 2. The results of snoring detection.

AHI(events/hour) Sensitivity(%) [mean± std] Specificity(%) [mean± std] Accuracy(%) [mean± std]

Mild(5~15) 81.8± 14.1 96.5± 1.0 95.6± 1.7

Moderate(15~30) 94.2± 4.1 95.9± 0.7 96.0± 0.6

Severe(30~) 89.5± 5.6 95.9± 1.1 95.4± 1.3

Total 88.5± 10.1 96.1± 0.9 95.6± 1.3

p-value 0.017 0.208 0.111

표 3. 압전센서 신호로 부터의 심박 검출.

Table 3. The heart beat detection from piezoelectric sensor signal.

AHI (events/hour) Total beats TP (beats) FP (beats) FN (beats) Sensitivity (%) PPV (%)

Mild(5~15) 3464 3008 235 221 93.1 86.8

Moderate(15~30) 3562 3055 326 181 94.4 85.7

Severe(30~ ) 3702 3340 183 179 94.9 90.2

Total 10728 9403 744 581 94.1 87.6

AHI: apnea hypopnea index, TP: true positive, FP: false positive, FN: false negative

148 의한 차이를 보이지 않았으나 민감도에 대해 유의한 차이를 보였다. 이것은 폐쇄성 수면무호흡증 중증 도에 따라 코골 이의 소리 특성이 달라진다는 기존 연구 결과[9]를 뒷받침 하는 결과를 보이고 있다.

심박 검출 성능 평가를 위해 환자별로 5분의 구간을 선택 하였으며 총 165분 데이터와 10728개의 심박이 사용되었 다. 표 3은 압전센서 신호로 부터 수면무호흡증 환자군 별 로 수면 중 심박을 검출한 결과이다. 전체 데이터에 대해 민 감도와 양성예측도의 평균은 각각 94.1%와 87.6%의 값을 보였다. 이러한 결과는 압전센서 신호에서 검출한 심박을 수 면무호흡 추정 목적으로 심전도 대신에 사용 될 수 있음을 보여준다. 심박 검출 결과에서는 코골이 검출에 비해 군간 유의한 차이를 보이지 않았다. 이것은 수면 중 압전센서에 서 검출 된 심박이 코골이와 수면무호흡 중증도 등 외부 요 인의 영향을 받지 않음을 나타낸 것이다. 본 연구에서는 압 전센서의 PR(Pulse rate)를 이용하였기 때문에 이에 대한 타당성을 입증하기 위해 표준 방법인 심전도의 HR(Heart rate)와 제안된 방법으로 추정된 PR간에 유사도를 상관성 분석으로 나타내었다(그림 6). 이 때 각 환자의 평균 PR과 HR 값을 AHI 중증도별로 상호상관관계를 계산하였다. 그 림 6으로 부터 모든 환자군의 경우 R

값이 0.93 이상이므 로 PR은 HR과 상관성이 높은 것을 확인하였다.

표 4는 코골이 검출 알고리즘 성능을 기존 연구 결과와

비교한 비교표이다. 여기서 비교된 모든 연구들은 수면무호 흡 환자를 대상으로 각기 다른 방법으로 코골이 검출하여 분석한 연구들이다. 코골이는 폐쇄성수면무호흡증의 대표적 인 증상이기 때문에 정확한 검출 및 분석이 중요하다. 따라 서 코골이 검출과 분석을 통한 폐쇄성수면무호흡 추정에 관 한 많은 연구들이 이루어지고 있다. 그 중 Karunajeewa, Abeyratne 등은 고성능 마이크로폰을 사용해 기록된 코골 이 분석을 통해 여러 특징들 추출하여 기계학습 알고리즘에 적용하여 폐쇄성수면무호흡을 분류하였다[7,9]. 본 연구에서 제안한 방법은 단일 압전센서 신호로부터 코골이와 심박을 동시에 검출함으로써 기존 연구들보다 저렴하고 간단한 폐 쇄성수면무호흡 추정 및 분류가 가능하다.

Yadollahi 등은 접촉과 비접촉 마이크로폰을 이용하여 코 골이 검출을 비교하였다[8]. 접촉 마이크로폰은 피험자 목에 밴드로 부착하였으며, 비접촉 마이크로폰은 피험자 머리 위 에 50 cm 위치에서 데이터를 기록하였다. 코골이 검출 시 접촉과 비접촉 시스템 간에 성능 차이가 없음을 보였다. 접 촉형 마이크로폰은 코골이만 측정이 가능하나 압전센서는 심박동 측정도 가능한 장점이 있다. 그러나 환자가 불편을 느낀다는 단점은 밴드형보다 덜하지만 여전히 존재한다. 이 런 연구 결과들과 비교했을 때 본 연구 결과는 민감도는 다 소 낮고, 특이도는 상대적으로 높은 특성을 보였다.

마지막으로 동일한 압전센서 신호를 Hidden Markov모

Fig. 6. Correlation analysis of HR and PR signal, which are compared among patient groups. Data were collected from a 37- year-old man(BMI = 27.5, AHI = 7.8).

표 4. 코골이 검출 알고리즘의 성능 비교표.

Table 4. The comparison of the performance of snoring detection algorithms.

Author Sensor Method Sens. Spec.

Hyo-Ki Lee et al 2013[12] Piezoelectric sensor Hidden Markov model 93.3 99.9 Karunajeewa et al 2011[14] Microphone Logistic regression model 89.3 92.3

Abeyratne et al 2005[15] Microphone High-order spectra model 91.0 67.0

Yadollahi et al 2010[16] Microphone Fisher Linear Discriminant 98.3 91.3

Yadollahi et al 2010[16] Tracheal Zero Crossing rates 94.9 89.4

Proposed method Piezoelectric sensor Threshold method 88.5 96.1

149 델에 적용하여 코골이를 검출한 연구결과[12] 보다는 다소

낮은 성능을 보였다. 그 이유는 코골이 검출을 위한 두개의 선형적인 기준과 기준 설정의 오차율 때문인 것으로 추정된 다. 그러나 빠르고 단순한 알고리즘으로 비슷한 결과를 얻 었다는 장점이 있다. 또한 폐쇄성수면무호흡 환자 코골이의 음향적인 특성과 심폐특성을 반영할 수 있는 심박을 동시에 검출함으로 수면무호흡 추정과 진단을 더 정확하고 간편하 게 할 수 있는 장점이 있다.

본 연구에서 사용된 압전센서는 저렴하고, 손쉽게 구할 수 있고, 코골이와 심박 등 여러 생체 신호측정이 가능한 장점 을 갖고 있기 때문에 응용분야가 다양하다. 또한 압전센서는 환경 잡음에 영향을 받지 않아서 검출 성능이 월등하고, 두 개 이상의 생체정보 사용이 가능하기 때문에 수면무호흡 진 단의 효율성과 정확성을 높을 수 있다. 그러나 압전센서는 피험자 목에 유선으로 부착되기 때문에 수면 중 불편을 느 낄 수 있을 뿐 아니라, 실험실 환경에서 획득된 데이터를 사 용하였기 때문에 자연스럽고 편안한 수면과 공간적 제한이 문제가 될 수 있다. 그리고 본 연구 대상에는 정상인 군이 포함되어 있지 않기 때문에 향후 정상인에 대한 추가 실험 이 요구된다.

IV. 결 론

본 연구에서는 단일 압전센서를 이용해 수면 중 코골이 및 심박을 동시에 검출할 수 있는 방법을 제안하고 평가하 였다. 코골이 검출 결과의 평균값은 민감도 88.6%, 특이도 96.1%, 정확도 95.6%의 값을 각각 보였으며, 심박 검출의 경우 민감도와 양성예측도의 평균값은 각각 94.1%와 87.6%

의 값을 보였다. 이 결과는 압전센서가 수면무호흡 검출 및 진단 시 유용하게 활용될 수 있음을 보여주었다. 또한 단일 압전센서 신호에서 두 개 이상 생체정보를 검출함으로써, 수 면다원검사를 수행 할 수 없는 환경이나, 가정에서 수면 모 니터링과 수면선별검사를 빠르고 정확하게 할 수 있는 기반 을 제시하였다. 이를 위해 향후 코골이와 심박을 이용하여 수면무호흡을 진단하는 발전된 알고리즘과 무구속적 측정이 가능한 압전센서 개발에 대한 연구가 필요하다.

Reference

[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. Hopper, 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] 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.

[6] D. Pevernagie, R. M. Aarts and M. De Meyer, “The acoustics of snoring,” Sleep medicine reviews, vol. 14 no. 2, pp. 131- 144, 2010.

[7] A. S. Karunajeewa, U. R. Abeyratne and C. Hukins, “Multi- feature snore sound analysis in obstructive sleep apnea- hypopnea syndrome,” Physiol. Meas., vol. 32, no. 1, pp. 83, 2011.

[8] A. Yadollahi and M. Zahra, “Automatic breath and snore sounds classification from tracheal and ambient sounds recordings,” Medical engineering & physics, vol. 32, no. 9, pp. 985-990, 2010.

[9] U. R. Abeyratne, A. S. Wakwella and C. Hukins, “Pitch jump probability measures for the analysis of snoring sounds in apnea,” Physiol Meas, vol. 26, pp. 779-798, 2005.

[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] D. K. Jee, R. Wei, H. S. Kim and J. J. Im, “Snoring Detection using Polyvinylidene Fluoride Vibration Sensors,” Sci. Emot.

Sensib., vol. 14, no. 3. pp. 459-466, 2011.

[12] 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.

[13] W. K. Jang, S. P. Cho and K. J. Lee, “A Study for Snoring Detection based Artificial Neural Network,” Trans. KIEE, vol. 51D, no. 7, 2002.

[14] H. S. Choi, W. K. Jang and K. J. Lee, “Snorer-Dependent Snore Recognition using LPC Cepstral Coefficients,” Trans.

KIEE, vol. 52D, no. 9, 2003.

[15] 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.

[16] U. Erdenebayar, H. K. Lee, H. Kim and K. J. Lee, “Sleep Apnea Detection Using a Piezo Snoring Sensor: A Pilot study,” J. Biomed. Eng. Res., vol. 35, no. 4, pp. 75-80, 2014.