當前睡眠檢測是以臨床睡眠多項生理檢查(clinical polysomnography；PSG)為依據，本文主要利用腦電圖(electrocephalogram；EEG)、眼動圖(electrooculogram；EOG)以及頦下肌電圖(mentalis/submentailis electromyogram；EMG)此三頻道之訊號，採用多種組合頻道特徵，並利用類神經網路以進行分類睡眠期。
一夜完整的睡眠包含清醒期、快速動眼期、睡眠第一期、睡眠第二期及慢波睡眠期；本文分類則著重在清醒期及淺睡期(睡眠第一、二期)，並按照兩個階段進行分類，第一階段先分出清醒期以及淺睡期，第二階段再將分為淺睡期者分類為睡眠第一期和睡眠第二期；並針對選用組合頻道結果較佳者，加入鄰居法則分類器提升其分類效能。
根據測試兩大睡眠中心、16種組合樣本之資料庫，以平均RDI值較低的樣本分類效能較好，15%慢波比例及有戴CPAP皆屬於此類樣本，整體而言，以四頻道的組合特徵之分類效果較好。在總體分類效能方面，從最佳結果來看，本文所特定分類的清醒期及睡眠第二期之sensitivity和PPV可達85%~88%，睡眠第一期此兩值則各為44.84%和53.61%，總體睡眠期分類精度可達84.59%。顯見本研究在睡眠分期上已可達一定的分類能力。
關鍵字： 睡眠醫學、睡眠期、類神經網路

Currently, sleep staging is accomplished is by clinical polysomnography (PSG). By extracting features from different combinations of electroencephalogram (EEG), electrooculogram (EOG) and electromyogram (EMG) signals, this study uses neural network to perform sleep staging.
A whole night and complete sleep stage contains wake stage, rapid eye movement (REM) stage, stage 1, stage 2, and slow wave sleep (SWS) stage. This project focuses on the classification of wake stage and light-sleep (stage 1 and 2). These three stages are classified by a two-step process. At first, wake stage and light-sleep are divided into two parts. Second, light sleep is divided into stage 1 and stage 2. For a fixed number of channels, this work identifies the best combination of signal channels. In addition, by simultaneously considering the Neighboring epochs Rule classifier, this work also introduces an empirical rule to improve the classification accuracy.
Among the tested databases which contain two Medicine center and sixteen sets of different signal channels, the best results are obtained from the group of patients with the low average RDI value. They include the group that has a mean 15% SWS and the group that uses CPAP. As a whole, the combinative features of four channels are better results of classification. For our best results, the sensitivity and PPV of wake and stage 2 varies from 85%~88%, and those of stage 1 are respective 44.84% and 53.61%. And the total classification of sleep staging is 84.59%. Apparently, the research has satisfactory results on sleep staging.
Keywords: Sleep Medicine, Sleep stage, Neural Networks

目錄 I
表目錄 V
圖目錄 XIV
摘要 XVII
Abstract XVIII
第一章 緒論 1
1.1 引言 1
1.2 睡眠醫學發展 1
1.3 睡眠檢測簡介 2
1.4 研究動機與目的 3
第二章 睡眠檢測、結構及相關訊號 4
2.1 睡眠生理檢查 4
2.1.1 睡眠多項生理檢查項目 4
2.1.2 睡眠檢測PSG系統 6
2.2 睡眠結構 7
2.2.1 清醒期 7
2.2.2 睡眠第一期 8
2.2.3 睡眠第二期 8
2.2.4 睡眠第三、四期 9
2.2.5 快速動眼期 9
2.3 電位生理及訊號特徵 10
2.3.1 腦電圖 10
2.3.2 眼動圖 13
2.3.3 頦下肌電圖 16
第三章 相關特徵法則之說明及建立 19
3.1 越零點相關特徵 19
3.1.1 越零點數目(Zero-Crossing Point Numbers) 20
3.1.2 越零點平均間距(Zero-Crossing Point Interval of Average) 21
3.1.3 越零點間距標準差(Zero-Crossing Point Interval of Standard deviation) 22
3.2 越零點面積相關特徵 23
3.2.1 越零點面積(Zero-Crossing Area) 23
3.2.2 越零點加權面積(Zero-Crossing Weighting Area) 24
3.3 頻帶能量(Power of Frequency Band) 25
3.3.1 門檻值法則 26
3.4 複雜度指標(Lempel-Ziv Complexity) 27
3.5 時域能量(Energy) 30
3.6 百分比(Percentage)相關特徵 31
3.6.1 排序百分比 31
3.6.2 區域百分比 32
3.7 頻譜直方圖(Spectrum Histogram) 33
3.8 Epoch of moving window概念 35
3.9 越零點相關特徵修正法則 36
3.10 類神經網路 37
3.10.1 類神經網路架構 38
3.10.2 倒傳遞演算法 40
3.10.3 利用類神經網路判讀 40
3.10.4 鄰居法則分類器 42
第四章 實驗數據測試與比較 44
4.1 選用測試樣本 44
4.2 測試效能評估指標 44
4.3 搜尋選用核心特徵 46
4.4有無戴CPAP樣本交互測試以選用多維特徵類別組合架構 48
4.4.1 C3A2頻道訓練測試 49
4.4.2 EOG頻道訓練測試 52
4.5 類神經網路分類器效果測試 56
4.6 綜合測試歸納結論 65
4.7 全體組合頻道架構及相關資訊 67
4.8 全體測試組合頻道結果與比較 72
4.8.1 兩分期類別分類器訓練結果比較 72
4.8.2 選用較佳頻道組合結果比較 73
4.8.3 中醫大與勝美資料獨立及交互引申測試比較 76
4.8.4 相同來源資料獨立及交互引申測試比較 79
4.8.5 有無戴CPAP樣本資料獨立及交互引申測試比較 81
4.8.6 不同資料樣本數目訓練結果比較 84
4.8.7 年齡、RDI值、睡眠期比例對睡眠分期的影響 86
4.9 全體睡眠期於單頻道最終分類結果比較與討論 94
第五章 結論與未來展望 110
5.1 結論 110
5.2 未來展望 112
參考文獻 114
附錄I 各基礎頻道選用特徵組合 116
附錄II 各數目測試樣本相關資料 123
附錄III 總測試結果列表 126
附錄IV勝美全體拆半樣本於單頻道最終分類結果整理 166

Lathi B.P., 2002, “Signal Processing and Linear Systems,” Oxford University Press.
Bernard R., 2005, "Fundamentals of Biostatistics," 6th edition, Duxbury Press.
Christian B., PhD et al., 2007, “Automatic Analysis of Single-Channel Sleep EEG: Validation in Healthy Individuals” SLEEP Recording Methodology, Vol. 30, No. 11
Cindy L.E., David J.K., Daniel J.B., Patricia A.C., Jean M.M., Erica F.B., Victoria J.G., 1997, “The Pittsburgh study of normal sleep in young adults: focus on the relationship between waking and sleeping EEG spectral patterns,” Electroencephalography and clinical Neurophysiology, pp 4-5.
Gabrielle B., Jean E., Martin B., 2005, “Sleep Stage 2: An Electroencephalographic, Autonomic, and Hormonal Duality,” Laboratoire des Régulations Physiologiques et des Rythmes Biologiques chez l'Homme, Strasbourg, France.
Haykin S., 1999, “Neural Networks: A Comprehensive foundation,” 2nd ed. Englewood cliffs, NJ: Pretice-Hall.
Principe J.C., Gala S.K., and Chang T.G., May 1989, “Sleep staging automaton based on the theory of evidence,” IEEE Transactions on Biomedical Engineering, vol. 36, pp. 503-509.
Jaakko M. and Robert P., 1995, "Principles and Applications of Bioelectric and Biomagnetic Fields," New York, Oxford University Press
De Gennaro L., Ferrara M. and Bertini M., 2001, “The boundary between wakefulness and sleep: Quantitative electroencephalographic changes during the sleep onset period,” Neuroscience, vol. 107, no. 1, pp. 1-11
Larence J.E., Steven M., 2007, “哈佛醫生的優質睡眠全書 (The Harvard medical school guide to a good night’s sleep),”商周出版。
Corsi-Cabrera M., Muñoz-Torres Z., Del Río-Portilla Y., M.A. Guevara, 2006, “Power and coherent oscillations distinguish REM sleep, stage 1 and wakefulness,” International Journal of Psychophysiology, pp. 1-5
Martin T.H., Howard B.D., Mark B., 1997, “Neural network design,” PWS Publishing Co., Boston, MA, USA.
Meir H.K., Thomas R., William C.D., Philadelphia, 2000, "Principle and Practice of Sleep Medicine," 3rd Edition, Pa, WB Saunders Co.
Rajeev A., Jean G., 2001, “Computer-Assisted Sleep Staging,” IEEE Transactions on Biomedical Engineering, vol. 48, pp. 1412-1423.
Sergios T., Konstantinos K., 2008, “Pattern Recognition,” 4th Ed., Academic Press.
Shimada T., Shiina T., and Saito Y., 2000, “Detection of characteristic waves of sleep EEG by neural network analysis”, IEEE Transactions on Biomedical Engineering, vol. 47, pp. 369-379.
Tian J.Y., Liu J.Q., 2005, “Automated Sleep Staging by a Hybrid System Comprising Neural Network and Fuzzy Rule-based Reasoning,” IEEE Engineering in Medicine and Biology 27th Annual Conference, pp. 4115-4118.
Zhang X.S., Roy R.J., and Jensen E.W., 2001, “EEG complexity as a measure of depth of anesthesia for patients,” IEEE Transactions on Biomedical Engineering, vol. 48, pp. 1424-1433.

王人鋒，2009，「使用新基線定義與腦波清醒資訊改善血氧濃度特徵對呼吸暫止症的預測」，博士論文，國立中山大學機械與機電工程研究所。
王文彥，2009，「以單眼眼動圖進行睡眠階段判讀」，碩士論文，國立中山大學機械與機電工程研究所。
王彥仕，2008，「以眼動圖訊號偵測快速動眼睡眠期與清醒期」，碩士論文，國立中山大學機械與機電工程研究所。
李宜容，2010，「使用不同組合的腦電圖、眼動圖及肌動圖訊號自動偵測快速動眼睡眠期」，碩士論文，國立中山大學機械與機電工程研究所。
林楨喨，2008，「生理特徵在醫療診斷問題上的應用-以血氧濃度及指紋為例」，博士論文，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、眼動圖及肌電圖訊號自動偵測慢波睡眠」，碩士論文，國立中山大學機械與機電工程研究所。
楊傑能，2001，「一個找尋型態鑑別問題決策邊界區域的新方法」，博士論文，國立中山大學機械與機電工程研究所。
戴子斐，2009，「以單頻道腦電圖進行睡眠階段判讀」，碩士論文，國立中山大學機械與機電工程研究所。

葉怡成，2001，「應用類神經網路」，儒林圖書。
劉勝義，2004，「臨床睡眠檢查學」，合計圖書出版社。