心臟並非完全處於週期性的規律跳動，此變動稱為心率變異度。醫學上使用心率變異度分析來評估許多生理狀態，因此將心率變異分析發展為一種指標，協助醫師在診斷上的參考依據。
心率變異分析需要使用心電圖，計算R-R波之間的間隔，形成一時間序列，再利用時域以及頻域的方式分析，產生HRV指標。而本文與先前文獻所提及作法有大幅度改變，傳統的計算只使用RRI時間間隔數列，忽略了原始心電圖訊號波形豐富的內容，因此本文大膽嘗試從完整的心電圖下手，將原始心電圖訊號經計算後轉換為頻譜，並使用基礎頻率的倍數擷取部分頻譜，建立起Mode的觀念，不同Mode代表不同頻率，再由Mode衍生出能量百分比與Mode擴散度兩大特徵變數，觀察兩變數受生理狀況影響所發生的改變，以及不同頻率間的線性關係，希望能將此特徵變數發展為具代表性的新型生理指標。
為了驗證此指標是否能反應不同的生理狀況，成為有意義以及具有代表性的指標，本文使用年齡具有差異的兩個族群，以及不同健康狀況的兩個族群，計算其新型指標，經由假設檢定驗證出兩族群的間指標於統計學上的確具有顯著性差異，尤其年齡族群擴散度更能看出兩族群間的差異，是否患有週期性肢體抽動的兩族群亦能從擴散度指標看出差異性。並且進一步直接使用Mode擴散度值的大小對年齡族群分類，能大致將不同年齡的樣本作判斷，亦證明此倍頻指標能夠反應生理上的差異。
驗證過程中也發展出改良計算倍頻的兩種方式，透過統計分析觀察改良後的計算方式，發現此舉具備一定的可行性，配合倍頻衍生的新型生理指標，未來將十分具有發展性。

Since heart beats are not entirely regular, its variation is referred to as heart rate variability (HRV). HRV have been extensively used to characterize the physiological state. As a result, HRV has also been used to assist doctors in making diagnostic decisions.
After finding time intervals between neighboring R-peaks, HRV features are typically obtained by analyzing the R-R intervals (RRIs) from time domain and frequency domain. Different from the traditional RRI based methods, this work generates features from the ECG signal waveform which is potentially very informative. Based on harmonics of the spectrum, we introduce the concept of modes. By finding the percentage of energy and degree of diffusion of each mode, this work proposes two sets of new features. We also investigate how these features and their correlations change with the physiological state.
To verify the effectiveness of the proposed features, the differences of the mean values of these features are compared for old versus young and healthy controls versus PLMS patients. Experiments show that some of the proposed features exhibit statistically significant differences between the compared groups. In addition, using degree of diffusion, we can roughly differentiate the young and old persons. These results demonstrate the potential of the proposed approach in characterizing physiological state.

論文審定書 i
誌謝 ii
目錄 iii
圖次 vi
表次 vii
摘要 viii
Abstract ix
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 1
1.3 論文架構 2
第二章 心電圖訊號與HRV指標 3
2.1 心電圖訊號原理 3
2.2 心電圖波形特徵 4
2.3 心率變異分析 5
2.3.1 時域分析 5
2.3.2 頻域分析 6
2.4 週期性肢體抽動 8
2.4.1 週期性肢體抽動與腿部不寧症的差異性 8
第三章 心電圖訊號衍生之倍頻指標 9
3.1 實驗流程 9
3.2 心電圖訊號前處理 10
3.3 心電圖訊號演算至頻譜倍頻指標 11
3.3.1 Mode擴散度 14
3.3.2 能量百分比 15
3.4 調整基頻大小 15
3.5 不同心電圖訊號擷取方式 17
3.6 假設檢定 18
3.6.1 兩母體平均數差異之假設檢定 20
3.7 相關係數 20
3.8 無效Mode判斷分類 21
第四章 實驗方法與過程 23
4.1 倍頻指標運用於不同年齡之比較 23
4.1.1 不同年齡倍頻指標平均值比較 24
4.1.2 不同年齡倍頻指標關聯度比較 25
4.1.3 調整基頻、10秒視窗倍頻指標比較 26
4.2 倍頻指標運用於PLMS患者之比較 28
4.2.1 PLMS族群倍頻指標平均值比較 29
4.2.2 PLMS族群倍頻指標關聯度比較 30
4.2.3 PLMS族群不同睡眠期比較 31
4.3 無效Mode對不同年齡之分類 33
第五章 結論 37
參考文獻 39
附錄 41
附錄I 41
附錄II 43
附錄III 46
附錄IV 50
附錄V 59

1. Amer, Acad. Sleep Med. Task Force, “Sleep-related breathing disorders inadults : Recommendations for syndrome definition and measurement technique in clinical research,”Sleep, 1999; 22 : 667-689(5).
2. Behbehani K, Yen FC, “Automatic control of airway pressure for treatment of obstructive sleep panea,” IEEE Transactions on Biomedical Engineering, 1995; 42 : 1007-1016(10).
3. Glantz S. A.，“簡明生物統計學”，程毅豪、曾仲瑩編譯，麥格羅•希爾出版。
4. Lavie P, Here P, Hoffstein V, “Obstructive sleep apnoea syndrome as a risk factor for hypertension,” BMJ, 2000; 320:479-482.
5. Lanfranchi P, Somers V A, “Obstructive sleep apnea and vascular disease,” Respir Res, 2001; 2:315-319.
6. Malhotra A, White D P, “Obstructive sleep apnoea,” Lancet, 2002; 360 : 237-245.
7. Mietus J E, Peng C K, Henry I, Goldsmith R L, Goldberger A L, “The pNNx files: re-examining a widely used heart rate variability measure,” Heart, vol. 88, 2002, no. 4, 378-380.
8. Milton J S, Arnold J C, 2003, “工程統計學原則與應用” 吳榮彬譯 滄海書局。
9. Peng CK, Havlin S, Stanley HE, Goldberger AL, “Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series,” Chaos. 1995;5(1):82-7.
10. Teran-Santos J, Jimenez-Gomez A, Cordero-Guevara J, “The association between sleep apnoea and the risk of traffic accidents,” N Engl J Med, 1999; 340:847-851.
11. Vigo DE, Guinjoan SM, Scaramal M, Siri LN, Cardinali DP, “Wavelet transform shows age-related changes of heart rate variability within independent frequency components,” Auton Neurosci, 2005; 123(1-2) : 94-100.
12. Young T, Palta M, Dempsey J, Skatrud J, Weber S, Badr S, “The occurrence of sleep-disordered breathing among middle-aged adults,” N Engl J Med, 1993; 328 : 1230-1235.
13. Young T, Peppard P, Palta M, Hla KM, Finn L, Margan B, and Skatrud J, Population-based study of sleep-disordered breathing as a risk factor for hypertension,” Arch. Intern. Med., 1997; 157 : 1746-1752.
14. 王唯工，2006，“氣的樂章”， 大塊文化出版社。
15. 高睿達，2012，“心電圖訊號倍頻的可能運用”，碩士論文，國立中山大學機械與機電工程學系。
16. 黃申棟，2012，“使用動脈血壓與心電圖訊號預測急性低血壓事件”，碩士論文，國立中山大學機械與機電工程學系。
17. 黃拓域，2011，“比較中樞行呼吸中止與阻塞型呼吸中止對心電圖訊號的影響”，碩士論文，國立中山大學機械與機電工程學系。
18. 劉勝義，2011， “睡眠醫學實務” ，合記圖書出版社。
19. PhysioNet Database: http://www.physionet.org/.
20. 王群光，2010，自律神經失調HRV檢測及治療衛教手冊，上網日期：2013年6月，網址：http://hrvtw.blogspot.tw/2010/09/hrvq.html。
21. 葉世彬，2003，不寧腿症候群及週期性肢體抽動，上網日期：2013年6月，網址：http://www.tma.tw/magazine/ShowRepID.asp?rep_id=1318。