Verfahren und Vorrichtung zur schlafmedizinischen Vorabdiagnose und

Therapie-Begleitung

[0001] DIE ERFINDUNG BETRIFFT EIN VERFAHREN ZUR DIAGNOSE VON SCHLAFSTöRUNGEN IM HEIMANWENDERBEREICH, BASIEREND AUF DER ANALYSE SCHLAFBEZOGENER ATEMGERäUSCHE DER PATIENTEN.

Stand der Technik

[0002] Der Schlaf hat schon immer das Interesse des Menschen geweckt. Heutzutage verbringt ein Mensch etwa ein Drittel seines Lebens im Schlaf. Auch die übrigen zwei Drittel sind stark von der Schlafqualität geprägt .

[0003] Daher können besonders in der Allgemein- und Schlafmedizin viele Erkrankungen durch eine alltägliche Beobachtung der Schlafqualität nicht nur frühzei-

tig erkannt oder besser bekämpft, sondern auch vermieden werden.

[0004] Einer der Schwerpunkte zur Bewertung der Schlafqualität ist, neben der schlafbezogenen Anamnese (schlafbezogener Fragebogen) , die Detektion und Analyse der Schlafstadien. Bei vielen Schlafstörungen ist die Dauer der Schlafstadien 3 und 4 (Tiefschlaf) reduziert oder die Tiefschlafphasen sind überhaupt nicht vorhanden.

[0005] Eine komplexe Diagnose von Schlafstörungen ist momentan nur durch eine sog. elektrophysiologische Schlafpolygrafie möglich, die ausschließlich in Schlaflabors von schlafmedizinischen Zentren durchgeführt werden kann. Hier wird der Patient an eine Vielzahl von Sensoren angeschlossen und auf eventuell vorhandene Schlafstörungen untersucht. Zur Bestimmung der SchlafStadien werden dabei hauptsächlich die Signalverläufe des Elektroenzephalogramms (EEG) , des Elektromyogramms (EMG) und des Elektrookulogramms

(EOG) herangezogen und entsprechend der Regeln von Rechtschaffen und Kahles ausgewertet.

[0006] Da eine solche Diagnose in einem Schlaflabor sehr aufwendig und kostenintensiv ist, werden im Allgemeinen für die Vordiagnose zu Hause mobile sog. Screening-Geräte eingesetzt. Diese arbeiten im Allgemeinen auf der Basis einer geringeren Anzahl von Sensoren.

[0007] Aus DE4114357C2 ist eine Vorrichtung zur automatischen Erkennung von Apnoe bekannt. Bei dieser Vorrichtung müssen allerdings mehrere Sensoren, unter anderem auch Atemgürtel im Brustbereich, an den Patienten angeschlossen werden. Dies wird häufig als störend empfunden, da die Sensoren ja im Schlaf getragen werden müssen. Zudem braucht diese Vorrichtung ein separates Lese- und Schreibgerät zur Aufzeichnung der Daten, die hinterher von einem Arzt ausgewertet werden müssen.

[0008] Aus DE69930720T2 ist eine weitere überwachvorrichtung für die Erfassung von Schlaf-Apnoe bekannt. Diese Vorrichtung ist in einer kleinen Kunststoff- Einheit inkorporiert, die unter der Nase des Patienten positioniert wird. Die Vorrichtung misst die Luftströme beim Ein- bzw. Ausatmen und zeichnet so die Atmung bzw. Atemaussetzer während des Schlafes auf. Es erfolgt eine stark vereinfachte Form der Diagnose aufgrund der aufgezeichneten Daten. Ein Arzt kann auf die aufgezeichneten Daten nicht zurückgreifen um eine eigene Diagnose zu erstellen, weshalb das Verfahren nur für Patienten geeignet ist, bei denen nur eine geringe Möglichkeit für das Vorliegen einer wirklichen Pathologie besteht.

[0009] Bereits für eine solche Vordiagnose zu Hause ist ein Arztbesuch notwendig, es sei denn, der Patient investiert selbst in die Anschaffung eines entsprechenden Gerätes. Für einen Arztbesuch ist es jedoch bereits erforderlich, dass der Patient die Schlafstö-

rungen als Krankheit anerkennt. Dies kostet erfahrungsgemäß einige überwindung, insbesondere, da im Fall von Schlafstörungen der Patient seine mögliche Krankheit nicht selbst beobachten kann, sondern meistens auf Aussagen des Bettpartners angewiesen ist.

Aufgabenstellung

[0010] Die Grundidee des im Rahmen dieser Arbeit entwickelten neuen Verfahrens zur Schlafphasen-Detektion geht von Beobachtungen des Autors aus, die von Medizinern und Mitarbeitern der Forschungsgruppe unterstützt wurden :

[0011] Beobachtet man einen schlafenden Menschen, so kann man auf Grund der Atemgeräusche bzw. deren Variabilität abschätzen, ob derjenige ruhig oder unruhig schläft. Geht man von einer gleichmäßigeren Atmung in Tiefschlaf-Phasen (SchlafStadien 3 und A) aus, so scheint eine Beurteilung, ob sich jemand in einer solchen befindet, auf der Basis einer Atemgeräusch- Analyse möglich.

[0012] Obwohl diese Hypothese nach einer intensiven Literaturrecherche weder bewiesen noch widerlegt ist, entschloss sich der Autor, auf Grund der oben genannten motivierenden Aspekte, die Zusammenhänge im Rahmen einer Forschungsarbeit zu untersuchen.

[0013] Die technische Zielsetzung sowie die erfindungsgemäße Aufgabe besteht demnach darin, ein praktisches und von jedem Patienten einfach zu bedienendes

Verfahren mit zugehörigem Gerätesystem bzw. entsprechender Software zu entwickeln, welches die Schlafqualität analysiert und darstellt und damit dem Patienten eine rasche Auskunft über eventuelle Schlafstörungen oder mangelnde Tiefschlafphasen gewährt. Insbesondere soll dabei auf einfache Bedienbarkeit und geringe Sen- sorik, vorzugsweise nur in Form eines Mikrofons, geachtet werden.

[0014] Diese Aufgabe wird erfindungsgemäß unter Anwendung des in den Patentansprüchen charakterisierten Arbeitsverfahrens mit zugehöriger Software gelöst. Das Kernstück der Erfindung besteht dabei darin, dass die Bewertung der Schlafqualität durch die Software mit Hilfe künstlicher neuronaler Netze vorgenommen wird und die Auswertung lediglich auf der Basis einer Atemgeräusch-Aufzeichnung durchgeführt wird.

[0015] Die Klassifikation basiert sowohl auf der Auswertung der Effektivwerte (Root Mean Squares) über eine bestimmte Signaldauer, als auch auf der Auswertung spektraler Komponenten des Atemgeräusch-Signals.

[0016] Sowohl Effektivwerte als auch spektrale Komponenten werden während der Aufnahme online durch die Software berechnet und abgespeichert. Die Klassifikation mit Hilfe eines neuronalen Netzes findet dann im Anschluss statt, wobei die zuvor beschriebenen abgespeicherten Werte geladen und, wie in den Patentansprüchen unter Ziffer 1 beschrieben, verarbeitet werden.

Lösungsvorschlag und Ausführungsbeispiel

Verfahren zur Messwerterfassung und Extraktion der charakteristischen Merkmale:

[0017] Die Atemgeräusche werden mit Hilfe eines Luftschallmikrofons oder eines Körperschallmikrofons aufgenommen. Das Luftschallmikrofon ist an einem Stirnband befestigt und wird an den Kopf des Patienten angebracht (siehe Abbildung2) . Das LuftSchallmikrofon kann aber auch auf einem Ständer in einem Abstand von 0-50cm vom Patienten-Kopf befestigt werden (siehe Ab- bildung3) . Für den Einsatz des Köperschallmikrofons wird dieses vorzugsweise an der Oberlippe (siehe Ab- bildung4) oder an der Trachea angebracht. Mit einem einfachen Soundblaster werden dann Atemgeräusche mit einer Abtastfrequenz von beispielhaft bis zu 11,025 kHz und mit z.B. 16 Bit Auflösung abgetastet. In einem nachfolgenden ersten Verarbeitungsschritt werden die Daten mit Hilfe eines Bandpassfilters auf einen Frequenzbereich zwischen 0 und 5500 Hz komprimiert, da keine höheren Frequenzen in den Atemgeräuschen enthalten sind.

[0018] Nach dieser Vorverarbeitung wird z.B. eine zeitabhängige und abschnittsweise Spektralanalyse durchgeführt. Für jedes Kurzzeitspektrum wurden beispielhaft 256 Abtastwerte verwendet (ca. 10ms wegen Kurzzeitstationärität von Atemgeräusche) . Um die nachfolgende Mustererkennung zu beschleunigen wird eine

Datenreduktion um den Faktor bis zu 16 mit Hilfe einer Filterbankapproximation durchgeführt. Dabei wird das Spektrum in z.B. 16 Bereiche unterteilt. Die Mittelwerte der jeweiligen Bereiche bilden dann die Filterbankkoeffizienten, die dann zu einem neuen Merkmalsvektor zusammengefasst werden. Durch die Filterbankanalyse entsteht eine kompakte Approximation des Leistungsdichtespektrums, die das Signal als eine Folge von Merkmalsvektoren beschreibt. Somit erhält man die spektralen Mittelwerte der Atemgeräusche.

[0019] übertragen auf diesen Untersuchungsfall, wird mit Hilfe des Korrelationskoeffizienten festgestellt, ob es eine Beziehung zwischen der Merkmalsmatrix und des polysomnographischen SchlafStadienvektors gibt.

[0020] Die Analyse der Frequenzbänke zeigte, dass die vier Unteren besser korrelierten. Aus diesem Grund werden vorzugsweise die 4 unteren Frequenzbänke zur Schlafphasendetektion miteinbezogen.

[0021] Beispielhafte Filterbänke: Bankl (0-124 Hz), Bank2 ( 124-264 Hz), Bank3 (264-421Hz), Bank4(421- 597Hz) .

[0022] Parallel zur Ermittlung der spektralen Werten der Atemgeräusche im Frequenzbereich wird im Zeitbereich der „Root Mean Square" des Signals berechnet. Der Root Mean Square kann auf Deutsch als Effektivwert des Signals verstanden werden.

Der RMS eines Signals x aus n Abtastpunkte wird vereinfacht wie folgt berechnet:

[0023] Nach dem vorliegenden Verfahren wurden vorzugsweise aus den Patienten- Atemgeräuschdaten eines RMS- Vektor mit jeweils n = 30x11025 = 330750 Punkten (N.B. Bei Segmentdauer von z.B. 30 Sekunden, Abtast- frequenz z.B. 11025Punkten/Sekunden, Mono) berechnet.

Kombination der spektralen Mittelwerte mit dem RMS:

[0024] Die Merkmalsextraktion besteht aus 2 Stufen. In der ersten Stufe werden die Daten normiert.

[0025] In der zweiten Stufe werden aus den einzelnen Atemgeräuschen vorzugsweise eine 5xN-Merkmalsmatrix berechnet. N bezeichnet den einzelnen Vektor aus der Segmentdauer ä 30 Sekunden pro Vektor (vorzugsweise) . Dies entspricht z.B. 2 Punkte pro Minute, d.h. 120 Punkte pro Stunde, bzw. 1200 Punkte für eine Nachtaufzeichnung von 10 Stunden.

[0026] Bei den 5 Merkmalen pro Vektor (jede 30 Sekunden) kennzeichnen vier die Amplitude der 4 unteren Frequenzbereiche (d.h. beispielsweise 0-124Hz, 124-264 Hz, 264-421 Hz, 421-597 Hz) der spektralen Mittelwerte, und eines die RMS-Amplituden.

Segmentierungsvorgang :

[0027] Die in der vorliegenden Arbeit durchgeführten Untersuchungen wurden gegenüber vom Polysomnogramin abgeleiteten SchlafStadien durchgeführt.

[0028] Dafür werden Atemgeräusche mehrerer Patienten während einer gesamten Nacht in einem akkreditierten Schlaflabor nach dem oben beschriebenen Aufnahmeverfahren mittels einem Mikrofon-System und einem PC aufgezeichnet.

[0029] Die Aufnahmen werden beispielsweise mit einem eigen geschriebenen Programm durchgeführt. Das Programm zeichnet sich vor allem durch seine hohe Stabilität und Robustheit bei dem Umgang mit großen Datenmengen (hier bis über 650 MB bei über 10 Stunden Aufzeichnung) aus. Dazu verfügt das Programm über einige gut nützliche Analyse- und Signalverarbeitungsfunktionen, die für eine schnelle Betrachtung und Untersuchung der Daten sehr hilfreich sind.

[0030] Das im Schlaflabor aufgezeichnete Polysom- nogramm wird normalerweise am nächsten Tag automatisch vom System-Analyse-Programm ausgewertet. Bei der Auswertung werden Schlafphasen sowie Apnoeauftritte als Funktion der Zeit vom System errechnet.

[0031] Der zuständige Arzt überarbeitet später die automatischen Auswertungen. Dabei überprüft er unter anderem die vom Analyse-Programm vorgenommene automatische Bestimmung der SchlafStadien, und korrigiert sie gegebenenfalls. Eine überarbeitung vom Arzt kann in der Regel zwischen 45 Minuten bis zu über 2 Stunden

dauern. Da viele Patienten im Schlaflabor aufgrund Schlafstörungen nicht immer Tiefschlafphasen aufweisen, ist es wichtig bei der Untersuchung der Schlafphasen, sowohl kranke als auch gesunde Patienten ein- zubeziehen.

[0032] Bei dem entwickelten neuen Verfahren wurden beispielsweise Geräuschsignale in Blöcke von 30 Sekunden verarbeitet, da die aus dem, beim Test eingesetzten, Polysomnogramm berechneten SchlafStadien stets über einen Zeitraum von 30 Sekunden festgelegt wurden.

Entwurf des neuronalen Erkenners:

[0033] Zuerst wird ein mehrschichtiges vorzugsweise vorwärtsgerichtetes neuronales Netzwerk entworfen.

[0034] Danach wird einen Trainingsvorgang mit entsprechendem Algorithmus (hier vorzugsweise Backpropa- gation) definiert. Bei der Definition des Trainingsvorgangs sollen Netzwerk-Initialisierungsfunktion, segmentierte Test- und Validierungsmuster, Anzahl der Testzyklen, Abbruchkriterien und Trainingsdauer eingegeben werden. Anschließend wird das Training des neuronalen Netzwerks gestartet und zum Schluss wird ein Netzwerk generiert. Das trainierte Netzwerk wird dann an das System modular angebunden.

Beschreibung des Systems

[0035] Das System besteht aus einem Mikrofonsystem, einem PC mit AD-DA-Wandlerkarte (Soundblasterkarte) und einem Monitoringstool.

[0036] Abbildung 5 zeigt eine beispielhafte schematische Darstellung der Vorgänge in der Software. Zunächst werden die aufgezeichneten Atemgeräuschdaten digitalisiert. Anschließend werden in der Signalvorverarbeitung die Daten gefiltert und normalisiert. Als nächstes erfolgt die Merkmalsextraktion und übergabe der Daten an das Neuronale Netzwerk oder Hidden- Markov-Modell-Netzwerk. In diesem Netzwerk erfolgt die Erkennung der Schlafphasen. Das Netzwerk wird mit einer Belehrungsdatenbank, in der aufgezeichnete Daten aus klinischen Schlaflaboren vorliegen, trainiert. Diese Daten werden einem weiteren Neuronalen Netzwerk oder Hidden-Markov-Modell-Netzwerk übergeben, in dem die Erkennung von Schlafstörungen und Schlafphasenverläufe stattfindet. Dabei wird das Netzwerk mit einer weiteren Belehrungsdatenbank trainiert, in der typische Schlafstörungsbilder aus klinischen Schlaflaboren vorliegen. Bei erkannten Schlafstörungen wird eine Vorabdiagnose mit therapeutischen Vorschlägen mittels eines wissensbasierten Automaten erstellt.