睡眠醫學是近年來漸受重視的科學，研究顯示睡眠品質與身體健康有極高之相關性，而睡眠階段的判讀是睡眠醫學重要的一環，傳統之睡眠期判讀是由人工觀察腦電圖、眼動圖及肌動圖訊號進行判讀，但此種方法無法將睡眠監測推廣於居家量測。
本文之主要目的是自動偵測快速動眼期，並比較不同組合之腦電圖、眼動圖及肌動圖訊號組合在偵測上的表現，藉此找出簡化量測頻道的可能性。由不同組合之腦電圖、眼動圖及肌動圖訊號所擷取出之特徵，以倒傳遞式類神經網路各自建立專屬之分類器以分類快速動眼期及非快速動眼期，並加入分類結果之修正，測試分類器之訓練及引申能力，觀察其他睡眠期被誤判之情形。以不同資料庫比較受測者資料之異同對分類效能之影響，及使用頻道數的多寡及不同頻道組合在分類效能上之表現。並觀察同一資料庫中受測者之快速動眼期比例、AHI及年齡的不同對分類效能的影響。
本研究使用來自中國醫藥大學及勝美醫院之睡眠中心受測者資料，分為十組資料庫，中國醫藥大學資料庫含1318名受測者，以睡眠技師之判讀為標準，訓練精度可達95.5%、Kappa值0.833、靈敏度85.9%、特異度97.3%，分類器引申能力精度94.1%、Kappa值0.782、靈敏度78.5%、特異度97.3%。

Since studies have revealed sleeping quality is highly related to our health conditions, sleep-medicine has attracted more and more attention in recent years. Sleep staging is one of the most important elements of sleep-medicine. Traditionally, it’s done by observing the information form of EEG, EOG and EMG signals. But this is almost not possible to achieve at home.
Automatic detection of REM sleep is the main goal of this study. Via comparing the classification performances of different combinations of EEG, EOG and EMG signals, this study also tries to simplify the number of signal channels. By using features extracted from EEG, EOG and EMG signals, the back-propagation neural networks are used to distinguish REM and NREM sleep. By refining the outputs of the neural networks, this study extensively test the efficacy of the proposed approach by using databases from two different sleep centers. This work also investigates the influences of the number of signal channels, REM sleep ratio, AHI, and age on classification results.
Data acquired from the sleep centers of China Medical University Hospital (CMUH) and Sheng-Mei Hospital are arranged in ten different groups. For our largest datasets, which consists of 1318 subjects from CMUH, the results show that the proposed method achieves 95.5% epoch-to-epoch agreement with Cohen's Kappa 0.833, sensitivity 85.9% and specificity 97.3%. The generalization accuracy is 94.1% with Cohen's Kappa 0.782, sensitivity 78.5% and specificity 97.3%.

圖目錄 VI
表目錄 XIII
摘要 XVIII
Abstract XIX
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 文獻回顧 3
1.4 論文架構 6
第二章 睡眠分期與眼動圖訊號 7
2.1 睡眠週期與狀態 7
2.2 快速動眼期與非快速動眼期 9
2.3 睡眠檢查 10
2.4 睡眠分期規則 13
2.5 腦電圖 14
2.5.1 腦電圖訊號 14
2.5.2 腦波形態 15
2.6 眼動圖 17
2.7 肌動圖 19
2.8 各睡眠階段訊號 20
第三章 分類器架構 25
3.1 類神經網路 25
3.2 MLP網路架構 26
3.3 MLP網路應用於型態鑑別之相關設定 28
第四章 快速動眼期的偵測方法 30
4.1 建立特徵變數候選人 30
4.1.1 時域能量 31
4.1.2 越零點面積 32
4.1.3 越零點間距 34
4.1.4 頻帶能量(Band Power) 35
4.1.5 個人整夜特徵相對排名 38
4.1.5 區域相對百分比 39
4.1.6 移動視窗 41
4.2 挑選特徵變數 42
4.2.1. 門檻值切割分類方法 43
4.3 第一階段分類器 44
4.3.1 單頻道分類器 44
4.3.2 多頻道分類器 46
4.4 鄰居法則修正 49
4.5 補償法則修正 50
第五章 實驗結果與討論 52
5.1 資料庫 52
5.2 分類效能指標 54
5.3 分類結果 56
5.3.1 第一階段分類器訓練結果 57
5.3.2 鄰居法則分類器訓練結果 58
5.3.3 補償法則修正結果 59
5.4 不同資料庫對分類結果的影響 63
5.4.1 兩睡眠中心之比較 64
5.4.2 受測者睡眠結構 73
5.4.3 相同受測者使用CPAP與否 78
5.5 分類錯誤情形 80
5.6 不同頻道組合之比較 86
5.6.1. 使用腦電圖訊號 86
5.6.2. 不使用腦電圖訊號 97
5.7 受測者資料對分類結果的影響 101
5.7.1. 受測者個人快速動眼期比例 102
5.7.2. 受測者睡眠呼吸障礙指數 107
5.7.3. 受測者年齡 111
5.8 與先前研究之比較 115
5.9 所有睡眠期之分類結果 116
5.9.1.受測者年齡及AHI值對總分類結果的影響 119
5.9.2.受測者為嚴重呼吸暫止症患者與否對總分類結果的影響 131
第六章 結論 137
參考文獻 141
附錄I 肌動圖訊號使用特徵變數 144
附錄II 多頻道訊號分類器使用特徵變數 144
附錄III 艾普渥斯嗜睡度量表(Epworth sleepiness scale, ESS) 146
附錄IV 子資料庫單頻道第一階段及鄰居法則分類器分類結果 147
附錄V 子資料庫雙頻道第一階段及鄰居法則分類器分類結果 148
附錄VI 子資料庫多頻道第一階段及鄰居法則分類器分類結果 150
附錄VII各睡眠期遭誤判比例 152
附錄VIII 中國1318人以快速動眼期比例分組後各組對分類器之分類效能的影響 156
附錄IX 勝美947人以快速動眼期比例分組後各組對分類器之分類效能的影響 158
附錄X中國1318人以AHI分組後各組對分類器分類效能的影響 160
附錄XI 勝美947人以AHI分組後各組對分類器之分類效能的影響 162
附錄XII 中國1318人各年齡層對分類器之分類效能的影響 164
附錄XIII勝美947人各年齡層對分類器之分類效能的影響 166
附錄XIV勝美437及474人資料庫使用三頻道訊號之總分類結果 168
附錄XV 勝美473人資料庫使用C3A2+ REOG+EMG之總分類結果 169
附錄XVI 勝美474人資料庫使用C3A2+ REOG+EMG之總分類結果 173
附錄XVII勝美473人資料庫使用REOG+LEOG+EMG之總分類結果 177
附錄XVIII 勝美474人資料庫使用REOG+LEOG+EMG之總分類結果 181
附錄XIX 勝美473及474人資料庫使用C3A2+C4A1+EMG之總分類效能 185
附錄XX 勝美473及474人資料庫使用C3A2+REOG+LEOG之總分類效能 190

Aserinsky E, 1996, “The discovery of REM sleep”, Journal of the history of the neurosciences, 1996 Dec, vol. 5(3), pp. 213-227.
Boukadoum AM, Kionas PY, 1986, “EOG-based recoAHIng and automated detection of sleep rapid eye movements: a critical review, and some recommendations” Psychophysiology, vol. 23, pp. 598-610.
Grözinger M, Röschke J , Kögel B, 1995, “Automatic recognition of rapid eye movement (REM) sleep by artificial neural network“ Journal of Sleep Research, vol. 4, pp. 86-91.
Haykin S, 1999, “Neural Networks: A Comprehensive Foundation,” 2nd Edition, Pretice Hall Internation.
Miroslav K, Gert P, Doris F, 1994, “AI-based approach to automatic sleep classification”, Biological Cybermetics, vol. 70, pp. 443-448.
Malinowska U, Klekowicz H, Wakarow A, Niemcewicz S, Durka PJ, 2009, “Fully Parametric Sleep Staging Compatible with the Classical Criteria”, Neuroinformatics, vol. 7, pp. 245-253.
Padovan I, Pansini M, 1972, “New possibilities of analysis in electronystagmography,” Acta Otolaryngologica, vol. 73, pp. 121-125.
Park HJ, Oh JS, et al. 2000, “Automated Sleep Stage Scoring Using Hybrid Rule and Case-Based Reasoning”, Computers and Biomedical Reserach, vol. 33, pp. 330-349,.
Rajeev A, Tomoka T, Suzie L et al., 2005, “Detection of Rapid eye movements in sleep studies”, IEEE Transactions on Biomedical Engineering, vol. 52, pp.1390-1396.
Rechtschaffen, Kales A, 1968, “A manual of standaAHIzed terminology, techniques and scoring system for sleep stages of human subjects“, Los Angeles: Brain Information Service/Brain Research Institute.
Robert C, Guilpin C, Limoge A, 1998, “Review of neural network applications in sleep research”, Journal of Neuroscience methods, vol. 79, pp.187-193
Schaltenbrand N, Lengelle R, Macher JP, 1993, “Neural Network model: Application to Automatic analysis of Human Sleep”, Computers and Biomedical Research, vol. 26, pp. 157-171
Sinha RK, 2008, “Artificial Neural Network and Wavelet Based AutomatedDetection of Sleep Spindles, REM Sleep and Wake States”, J Med Syst, vol. 32, pp. 291-299
Viera AJ, and Garret JM, 2005 “Understanding Interobserver Agreement:The Kappa Stastic,” Family Medicine, Vol.37, No.5, pp.360-363.
Virkkala J, Velin R, Himanen SL, Värri A, Müller K, Hasan J, “Automatic Sleep Stage Classification Using Two Facial Electrodes”, 30th Annual International IEEE EMBS Conference Vancouver, British Columbia, Canada, August 20-24, 2008
Zoubek L , Charbonnier S, Lesecq S, Buguet A, Chapotot F, “A two-steps sleep/wake stages classifier taking into account artefacts in the polysomnographic signals”, Proceedings of the 17th World CongressThe International Federation of Automatic Control Seoul, Korea, July 6-11, 2008
邱晧智, 2008, ” 以單頻道腦電波訊號偵測慢波睡眠,”碩士論文, 國立中山大學機械與機電工程研究所.
陳世昌, 2010, ” 使用不同組合的腦電圖、眼動圖及肌動圖訊號自動偵測慢波睡眠期,”碩士論文, 國立中山大學機械與機電工程研究所.
楊傑能, 2007, ”以眼動圖訊號檢測快速動眼睡眠期的向量量化編碼方法,”博士論文, 國立中山大學機械與機電工程研究所.
葉怡成, 2003, 類神經網路模式應用與實作, 儒林圖書
蔡東遠, 2010, ” 使用不同組合的腦電圖、眼動圖及肌動圖訊號自動分類清醒期及淺眠期,”碩士論文, 國立中山大學機械與機電工程研究所.
劉勝義, 2004, 臨床睡檢查學, 合計圖書出版社