Real-time Human Respiration Monitoring System for Deep Apnea Detection and Deep Automatic Sleep Stage Scoring using Ultra-wideband Radar

Abstract

본 연구는 신체에 닿지 않는 무선 UWB 레이더 센서를 이용한 심층 호흡 감지 및 심층 자동 수면 단계 분류를 위한 실시간 인체 호흡 모니터링 시스템을 제안한다. 수면 중 호흡의 식별은 호흡과 관련된 다양한 수면장애를 감지하는 데 중요하다. 다만 몸에 착용해 호흡을 파악하는 방법은 수면을 방해하고, 이를 고무한 제 1장에서는 흉부 움직임을 포착할 수 있는 UWB 레이더 센서를 이용해 호흡을 추정하는 딥러닝 네트워크를 제안한다. UWB 레이더와 마스크 센서를 사용하여 데이터셋이 처음 구축된 후, 흉부 운동은 2D 인코더-1D 디코더의 완전한 컨볼루션 네트워크 구조를 사용하여 호흡 패턴으로 학습된다. 입력 및 라벨의 전처리와 데이터 증강을 함께 실시하여 성능을 더욱 향상시켜 0.938의 높은 유사성을 기록하였다. 제 2장에서는 제 1장의 호흡 추정 모델을 발전시켜 무호흡을 동시에 판별하고, 학습된 딥러닝 웨이트를 실생활에서 활용할 수 있도록 실시간 호흡 패턴과 무호흡 검출 모니터링 시스템을 제안했다. 그 결과 0.929의 호흡 유사성과 91%의 무호흡 검출 정확도가 기록되었다. 마지막 장에서는 수면 다원 검사의 단점을 해결하고 UWB 레이더에서 추정된 호흡을 활용하기 위해 수면 단계 분류를 수행하였다. UWB 레이더를 이용한 수면 단계 분류 데이터셋 구축의 한계로 인해 호흡 신호의 일반적 신호 특성을 기존의 공개 데이터셋(SHHS, MESA)를 함께 사용해 추출하고, EEG 신호를 이용하여 수면 단계 분류 부분에서 최고 기록을 기록한 이전에 개발된 IITNet을 사용하여 성능을 평가하였다. 그 결과 일반적 신호 특성을 사용한 정확도가 IITNet에 가공되지 않은 호흡 신호를 적용한 정확도와 유사한 것으로 기록되었으며, 실증 결과 UWB 레이더를 이용하여 수면 단계를 분류할 수 있는 것으로 확인되었다.|This study proposes a real-time human respiration monitoring system for deep apnea detection and deep automatic sleep stage scoring using a wireless UWB radar sensor. The identification of respiration during sleep is essential for detecting various sleep disorders related to respiration. However, the way to identify respiration by wearing it on the body interferes with sleep, and inspired this idea, in the first chapter, a deep learning network is proposed to estimate respiration using UWB radar sensor that can capture thorax movement. After the dataset is first built using the UWB radar and Mask sensor, the thorax movement is learned as a respiration pattern using the fully convolutional network of 2D Encoder-1D Decoder. Pre-processing of inputs and labels and data augmentation were carried out together to enhance performance further, resulting in a high similarity of 0.938. In the second chapter, the model of the first chapter was developed to estimate respiration to determine apnea at the same time. A real-time respiration pattern and apnea detection monitoring system was proposed so that the learned deep learning weights could be used in real life. As a result, the respiration similarity of 0.929 and the apnea detection accuracy of 91% were recorded. In the last chapter, the sleep stage scoring was carried out for solving the shortcomings of the polysomnography and utilizing the respiration estimated from the UWB radar. Due to the limitations of the establishment of the sleep stage scoring dataset using UWB radar, the general signal characteristics of the respiration signal were extracted using the existing public datasets (SHHS, MESA) and domain-invariant signal features generation network. The performance was evaluated using the IITNet which recorded state-of-the-art in the sleep stage scoring section using EEG signals. As a result, the accuracy of using general signal characteristics was recorded to be similar to the accuracy of applying the raw respiration signal to the IITNet, and the demonstration confirmed that the sleep stage could be scored using the UWB radar.