工業技術研究院 資訊與通訊研究所 何庭武

輕度認知障礙被認為是正常老化與阿茲海默症之間的過渡狀態，早期診斷才能及早進行治療。

台灣人口老化速度持續攀升，所面臨的就是高齡者失智問題，為了提早減緩或治癒該疾病，早期檢驗就變得相當重要。據推估2026年台灣將進入世界衛生組織（World Health Organization, WHO）所定義的超高齡社會，也就是高齡族群占國家總人口的兩成。根據台灣失智症協會（Taiwan Alzheimer's Disease Association, TADA）推估，台灣未來失智症人口成長速度將大於人口老化速度，失智症（Dementia）可以說是高齡者的通病。

失智症中約三分之二罹患阿茲海默症（Alzheimer's Disease, AD），阿茲海默症和大腦中異常蛋白質（amyloid-β）的堆積有關，其會破壞周邊神經細胞，加速病變。異常蛋白質的症狀不單純只有記憶力的減退，還會影響到其他認知功能，包括有語言、判斷、注意力等各方面的功能退化，同時可能出現個性改變、妄想或幻覺等症狀，這些症狀的嚴重程度足以影響其人際關係與工作能力。由於阿茲海默症是一種退化性且不可逆的失智症，病程大多是逐漸惡化緩慢持久的，必須及早檢驗出那些可能患有阿茲海默症的高危險族群，及早進行治療。

輕度認知功能障礙診斷不易 

全球人口老化速度持續攀升之際，國際失智症協會（Alzheimer's Disease International, ADI）的統計，全球已有5,000萬人患有失智症，平均每三秒就有一人得失智症，到了2050年，全球失智症總人數將高達1億5,200萬人。目前罹患阿茲海默症的人數，占所有失智人口的三分之二，已成為許多已開發國家重要的病症之一[1]。阿茲海默症是一種退化性且不可逆的失智症，若能早期診斷、及早進行治療，透過延緩症狀發作所節省的醫療和照護等直接成本以及家屬因照顧病患而無法工作的間接成本將非常可觀。

輕度認知障礙（Mild Cognitive Impairment, MCI）為發展成阿茲海默症的高風險群，若能及早發現並且及早提供治療，則能延緩病程之進展。輕度認知障礙的人口比例大約占高齡者人口約15％，而這一群輕度認知障礙高齡者，每年都有很高的機率會轉變成阿茲海默症患者[2]。所以目前愈來愈多的研究開始關注輕度認知障礙，期望能夠早發現、早治療，延緩阿茲海默症疾病的發展。輕度認知障礙是指有輕度的認知功能和記憶力的損失，但沒有達到癡呆的程度，所以輕度認知障礙被認為是正常老化與阿茲海默症之間的過渡狀態。早期診斷主要目的就是找出輕度認知障礙。要做到早期診斷阿茲海默症，偵測出在還沒變成阿茲海默症之前的輕微認知障礙階段，以提早進入治療程序，減緩症狀發作，降低社會成本。

Wi-Fi雷達結合人工智慧偵測輕度認知障礙

對於輕度認知障礙的診斷主要還是依靠醫生的主觀判斷，這樣的方法耗時耗力，而且還存在一定的主觀性，會影響疾病的診斷準確性。如何自動準確的診斷輕度認知障礙成為了現階段研究的主要目標。本文將介紹一種以複合的方式創新利用非接觸式居家睡眠監測技術與人工智慧（Artificial Intelligence, AI）的深度學習（Deep Learning）技術，進行輕度認知障礙偵測，睡眠呼吸中止症與阿茲海默症的病理學特徵相關，基於檢測腦波（Electroencephalography, EEG）可以作為輕度認知障礙鑑別診斷的依據[4]，要理解呼吸中止狀況與腦波變化並偵測輕度認知障礙的細微變化，人工智慧深具潛力。

如圖1所示，以人工智慧方式提出特徵選擇模型，對呼吸中止狀況（Sleep Apnea）與腦波變化（EEG）中大量的資料進行篩選，萃取有用的資訊，用於輕度認知障礙的自動診斷，此方法共同建立輕度認知障礙階段偵測模型（MCI Detection Model），並搭配病患的量表評估結果（Medical Tests），協助醫生精準判斷出輕度認知障礙階段（Diagnosis），以達到及早治療、延緩發作的目的。然而，腦波資料能每三個月或每半年到醫院進行檢測，睡眠呼吸中止事件則需要長期每天監測，故需要一種設置便利且不影響高齡者睡眠的偵測方式，工研院的Wi-Fi雷達技術能以非接觸的方式偵測睡眠呼吸中止事件，本文將於下一章節介紹。

圖1 輕度認知障礙偵測模型

以非接觸的方式偵測睡眠呼吸中止事件

睡眠呼吸中止可能讓腦中壞的澱粉蛋白累積，導致認知功能障礙機率大增，嚴重則會引發阿茲海默症，睡眠呼吸中止的患者在睡覺時，上呼吸道會發生反覆性的塌陷而堵住呼吸道，造成低通呼吸（Hypopnea）或睡眠呼吸中止（Apnea）情形，呼吸變得費力、換氣量減少一半以上，嚴重者會導致窒息。有睡眠呼吸問題的人，大腦中的amyloid-β堆積較為明顯，增加阿茲海默症的機率[3]。在阿茲海默症中，amyloid-β和神經纖維糾結首先出現在海馬迴附近的皮質區，接著病變擴散到海馬迴，並以相同方式在睡眠呼吸中止患者的大腦中擴散，且amyloid-β擴散的程度與睡眠呼吸中止的嚴重程度相關。在睡眠呼吸中止時，睡眠中反覆缺氧導致海馬迴的amyloid-β的形成。目前診斷睡眠呼吸中止症的標準檢測方法去睡眠中心使用醫學專用的睡眠多項生理檢查儀（Polysomnography, PSG），民眾想到睡眠中心檢測，往往就需要半年以上的排隊等待；加上檢測時須使用睡眠多項生理檢查儀從頭到腳要接上20條監測導線，如起床上廁所時還需醫護人員幫助拆線，使患者感到不便。

工研院的Wi-Fi雷達技術能在家中長期偵測與追蹤睡眠呼吸中止事件，可即時偵測到睡眠中發生停止呼吸事件，Wi-Fi雷達創新將Wi-Fi訊號當作蝙蝠的聲納系統使用，由於Wi-Fi設備發射出的訊號碰撞到人體後便會反射或散射，透過人工智慧演算法分析Wi-Fi訊號經人體反射後超過數百條的多重路徑變化，就可以探測出小到人體呼吸、停止呼吸這樣細微的差異，並偵測睡眠者呼吸週期以及是否發生了呼吸中止事件。此技術是透過Wi-Fi訊號以非接觸式與非穿戴式的量測方法，具有可即時、非接觸式、長時間、每天連續監測的優勢。

Wi-Fi訊號偵測人體呼吸的變化 

呼吸造成的胸腔週期性起伏變化非常微小約0.1～0.6公分，如何透過Wi-Fi訊號偵測如此微小的變化是技術的關鍵。Wi-Fi雷達透過Wi-Fi訊號的無線通道資訊（Channel State Information, CSI）觀察受到胸腔起伏影響後的變化，無線通道資訊能記錄Wi-Fi訊號在不同的頻率上對於環境的變化，透過高頻濾波處理與主成份分析進而觀察Wi-Fi訊號微小的週期改變，還原訊號對胸腔變化之反應。當人體在呼吸時，訊號傳送與接收時會有多重路徑，針對經過受測者的胸腔反射後的路徑進行偵測，當受測者呼氣與吐氣時，胸腔會產生微小的變化，訊號路徑會經由人體的胸腔位移影響，造成不同時間與不同頻率其無線訊號會有變化，而此變化則會愈受測者的呼氣與吐氣相同，因此，如果可以將無線訊號解析出具有呼吸的資訊，則此資訊則為受測者的呼吸變化，圖2為Wi-Fi雷達與多項生理檢查儀所偵測的呼吸變化之比較，包含：一般呼吸波形、呼吸中止波形與翻身體動的波形變化，Wi-Fi雷達所量測的呼吸變化皆與醫學用多項生理檢查儀相同。

圖2 Wi-Fi雷達與多項生理檢查儀量測呼吸變化的比較

Wi-Fi雷達在睡眠醫學中心的驗證結果

為了驗證Wi-Fi雷達在臨床上的偵測效能，工研院與台灣知名睡眠醫學中心進行驗證，與現有醫學用的睡眠多項生理檢查儀進行比較，已通過六種常見睡姿進行呼吸頻率的驗證，包含：有41％的人使用胎兒睡姿（Fetus）、木頭公仔睡姿（Log）有15％、嚮往型睡姿（Yearner）有13％、軍人睡姿（Soldier）有8％、自由睡姿（Freefaller）有7％、海星睡姿（Starfish）有5％，根據這些睡姿分別進行實驗，與睡眠多項生理檢查儀量測的呼吸頻率相比，Wi-Fi雷達計算平均呼吸頻率正確率達96.07％，值得一提的是在實驗中現場同時有多個相同頻率的Wi-Fi基地台，結果顯示Wi-Fi雷達不會受到其他Wi-Fi訊號干擾。此外，Wi-Fi雷達與醫師共同提出臨床人體試驗計畫，已通過10人次的比較，共接收4338分鐘睡眠資料，平均每人次睡眠時間為7.23小時。睡眠呼吸中止事件以AHI 指標（Apnea-Hypopnea Index）來計算，與多項生理檢查儀相比較， Wi-Fi雷達偵測平均AHI正確率為86.11％，如圖3為睡眠醫學中心臨床試驗10人次的偵測結果。

圖3 Wi-Fi雷達與多項生理檢查儀量測呼吸中止事件的比較

結論 

工研院的Wi-Fi雷達技術使用非接觸方式偵測睡眠呼吸狀況，與睡眠中心驗證結果顯示偵測呼吸正確率為96％，偵測呼吸中止正確率為86％，能有效協助醫師透過呼吸終止狀況來早期偵測失智徵兆，提供客觀的參考依據，而且，使用者身上不需要配戴或穿戴任何設備，不會改變使用者原本的生活習慣，即使使用者覆蓋厚重的棉被或毛毯也可準確偵測，因採用一般家用Wi-Fi訊號，不影響人體健康，亦能整合現場環境中既有的Wi-Fi裝置上，大幅降低導入的額外裝置成本。

參考文獻 

[1] Alzheimer’s Association, “Alzheimer’s Disease Facts and Figures.”, Alzheimers Dement, Vol. 15, No. 3, pp.321-87, 2019.
[2] Breton, A., Casey, D. and Arnaoutoglou, N. A., “Cognitive tests for the detection of mild cognitive impairment （MCI）, the prodromal stage of dementia: Meta-analysis of diagnostic accuracy studies.”, International Journal of Geriatric Psychiatry, Vol. 34, No. 2, pp.233-242, 2019.
[3] Bubu, O. M., Andrade, A. G., Umasabor-Bubu, O. Q., Hogan, M. M., Turner, A. D., de Leon, M. J., Ogedegbe, G., Ayappa, I., Jean-Louis G, G., Jackson, M. L., Varga, A. W. and Osorio, R. S., “Obstructive sleep apnea, cognition and Alzheimer's disease: A systematic review integrating three decades of multidisciplinary research.”, Sleep Medicine Reviews, Vol. 50, pp.101250, 2020.
[4] Kulkarni N. N. and Bairagi V. K., “Extracting Salient Features for EEG-based Diagnosis of Alzheimer's Disease Using Support Vector Machine Classifier.”, IETE Journal of Research, Vol. 63, No. 1, pp.11-22, 2017.