• Physiological Signal Monitoring Bed for Infants based on Load-Cell Sensors 

Sensors  I  2016

• Smart ECG Monitoring Patch with Built-in R-Peak Detection for Long-Term HRV Analysis 

Annals of Biomedical Engineering  I  2016

• Heart Rate Variability Monitoring during Sleep Based on Capacitively Coupled Textile Electrodes on a Bed 

Sensors  I  2015

• Attention-based LSTM for Non-Contact Sleep Stage Classification using IR-UWB Radar

IEEE Journal of Biomedical and Health Informatics  I  2021

• Long Short-Term Memory Networks for Unconstrained Sleep Stage Classification using Polyvinylidene Fluoride Film Sensor

IEEE Journal of Biomedical and Health Informatics  I  2019

• Slow-wave Sleep Estimation for Healthy Subjects and OSA Patients Using R-R Intervals

IEEE Journal of Biomedical and Health Informatics  I  2019

• Sleep Period Time Estimation Based on Electrodermal Activity

IEEE Journal of Biomedical and Health Informatics  I  2017

• REM sleep estimation based on autonomic dynamics using R-R intervals

Physiological Measurement  I  2017

• Nocturnal awakening and sleep efficiency estimation using unobtrusively measured ballistocardiogram

IEEE Transactions on Biomedical Engineering  I  2014

• Hybrid CNN-LSTM Network for Real-Time Apnea-Hypopnea Event Detection Based on IR-UWB Radar

IEEE Access  I  2021

• Real-time apnea-hyponea event detection during sleep by convolutional neural networks

Computers in Biology and Medicine  I  2016

• Polyvinylidene Fluoride Sensor-based Method for Unconstrained Snoring Detection

Physiological Measurement  I  2015

• Unconstrained Sleep Apnea Monitoring Using Polyvinylidene Fluoride Film-Based Sensor

IEEE Transactions on Biomedical Engineering  I  2015

• Changes in physiological network connectivity of body system in narcolepsy during REM sleep

Computers in Biology and Medicine  I  2021

• Heart rate variability changes in major depressive disorder during sleep: fractal index correlates with BDI score during REM sleep

Psychiatry Research  I  2019

• Closed-Loop Vibrational Stimulation Improves the Depth of Slow-wave Sleep and Declarative Memory Consolidation

Sleep  I  2021

• Human heart rhythms synchronize while co-sleeping 

Frontiers in Physiology  I  2019

• Effect of closed-loop vibration stimulation on heart rhythm during naps  

Sensors  I  2019

비알랩의 연구진은 건강한 사람뿐만 아니라 수면무호흡 환자를 대상으로 깊은 수면을 감지할 수 있는 알고리즘을 개발하였습니다. 이 알고리즘은 센서 신호로부터 자율신경계 활성도를 연산하여 이를 기반으로 깊은 수면을 찾아내고 Cohen’s kappa 0.56와 정확도 0.90의 성능을 보여주고 있습니다. 벤자민은 이 알고리즘을 통해 가정 또는 외래 환경에서도 장기적인 깊은 수면 모니터링을 할 수 있습니다.

Figure. Procedure for detecting SWS using the R-R intervals.

비알랩의 연구진은 건강한 사람뿐만 아니라 수면무호흡 환자에게도 적용이 될 수 있는 수면 중 각성 검출 알고리즘을 구현했습니다. 이 알고리즘은 사용자의 움직임과 자율신경계의 활동에 대한 정보를 활용하는데, 그 결과 Cohen’s kappa 0.60와 정확도 0.91의 성능을 나타내었습니다. 또한 총 수면 시간, 수면효율, 입면 시간, 입면 후 각성 시간에 대해서도 높은 상관성을 보였습니다.

Figure. Example of determining short-term wakefulness and reference PSG.

비알랩의 연구진은 건강한 사람과 수면무호흡 환자들을 대상으로 심박수 변동에 반영된 자율신경 활동을 이용하여 급속 안구 운동 (Rapid Eye Movement, REM) 수면을 결정하는 자동 알고리즘을 구현했습니다. 에포크별 분석에 따르면, Cohen's kappa와 정확도의 평균은 각각 0.61과 0.87이었습니다.
현재의 알고리즘은 심박 간격만을 사용하여 벤자민의 중요한 구성 요소가 되며, 수면 관련 장애와 개인 건강에 관한 유용한 정보를 제공할 수 있습니다.

Figure. Procedure for REM sleep estimation.

비알랩의 연구진은 비접촉 센서를 활용하여 무구속적으로 장기간 생리학적 모니터링을 제공할 수 있는 자동 수면 단계 분류 딥러닝 모델을 개발하였습니다.
이 모델은 4가지 수면 단계에 대한 분류 성능으로 평균 정확도가 0.74이고 Cohen's kappa 계수가 0.55로, 기존의 분류 방법보다 높았습니다.
제안된 딥러닝 모델과 압전 필름 센서의 기능은 벤자민의 자동 수면 분류를 용이하게 하며, 가정에서의 장기 수면 모니터링에 적용할 수 있습니다.

Figure. LSTM-based sleep stages classification process.

비알랩의 연구진은 수면 중 코골이를 정확하게 감지하고 움직임 잡음에 강한 모니터링을 위해 압전센서를 활용한 코골이 감지 방법을 개발하여 검증했습니다.
주파수 스펙트럼 특징과 기계 학습 방법을 사용하여 센서 데이터를 '코골이'와 '비코골이'로 분류했습니다. 결과적으로, 전체 민감도(Sensitivity)와 양성예측도(PPV)가
각각 0.95와 0.98이었으며, 움직임이 있는 데이터에서도 큰 차이가 없었습니다. 이 방법은 벤자민의 무구속 코골이 감지와 개선 솔루션에 활용됩니다.

Figure. Filtered piezoelectric signals and their spectrograms.

비알랩의 연구진은 수면 중 발생하는 무호흡을 정확하게 모니터링하기 위해 압전 센서 기반 배열을 사용한 무구속 수면 무호흡증 모니터링 방법을 개발했습니다.
이 방법은 대상자의 등 아래에 위치하여 침대 커버와 매트리스 사이에 설치되었으며, 수면 무호흡증을 평균 정확도 0.86 및 kappa 통계치 0.60으로 분류했습니다.
두 방법 간 무호흡-저호흡 지수 값의 상관 계수는 0.94였습니다. 개발된 시스템과 방법은 벤자민의 가정 또는 외래 모니터링에서 무호흡증 감지에 적용됩니다.

Figure. Apneic event decision procedure for every 60-s period.

비알랩의 연구진은 비접촉 심폐 신호를 기반으로 한 무호흡-저호흡(AH)을 감지하기 위해 CNN과 LSTM 네트워크를 결합한 딥러닝 모델을 연구했습니다.
이 하이브리드 모델은 PSG(다공과목 수면검사)와 비교하여 상황 감지기의 정확도가 0.930, 무호흡-저호흡 지수의 상관 계수가 0.97을 보여주었습니다.
이 방법은 벤자민의 수면무호흡증과 저호흡증 증후군(SAHS)의 진단과 치료에 대해 뒷받침합니다.

Figure. Overall structure of the proposed deep learning model.

이전 연구들은 인간의 생리학 시스템이 신체 내 안정성을 유지하는데 중요한 역할을 한다는 것을 보여주었지만,
다른 사람의 생리학적 시스템과의 상호작용에 관한 연구는 거의 이루어지지 않았습니다. 비알랩의 연구진은 동침자들의 심장 리듬을 관찰하였고,
두 사람의 심박이 장기간 같은 상대적 위상을 나타낼 뿐만 아니라 양방향의 상호작용이 있음을 발견하였습니다. 우리의 놀라운 연구는 침대를 통해
기계적으로 전달되는 약한 심박 진동의 효과를 최초로 분석하였으며, 이것은 벤자민 솔루션 중 심박동기화 기술 개발의 시작점이 되었습니다.

Figure. Significantly increased interindividual heart rhythm causal relation is observed in all co-sleeping individuals during the entire sleep.

외부 진동 자극이 수면 중 심장 리듬에 영향을 미친다는 이전 연구 결과에 영감을 받아, 비알랩의 연구진은 폐루프형 진동 자극 시스템을 개발하여
실제 낮잠에 적용하였습니다. 이 피드백 시스템은 실시간으로 심박동을 추적하고 변조된 심박 모방 진동을 제공하는 목적으로 디자인되었습니다.
대조 실험에서, 자극 주파수 근방의 심박수 밀도가 크게 증가하였고, 부교감 신경계 활동이 대조군에 비해 증가하는 것을 관찰하였습니다.
우리의 선구적인 연구 결과는 벤자민 솔루션 중 심박동기화 기술이 자율 신경계를 제어하며 안정화시킨다는 점을 보여주고 있습니다.

Figure. Closed-loop vibration system diagram

본 연구에서는 폐루프형 진동 자극 기술이 수면과 기억에 미치는 영향을 조사하였습니다. 심박변이율 분석 결과, 깊은 수면 단계에서
부교감 신경 활동이 유의하게 증가하고, 심박과 진동 자극 간의 동기화 비율도 유의하게 증가했습니다. 또한, 뇌파의 깊은 수면 중 서파의 상대적 크기와
서술 기억력이 유의미하게 증가했습니다. 이러한 결과는 벤자민의 폐루프형 심박동기화 기술이 깊은 수면 단계의 심도와 기억력을 향상시킨다는 것을 입증합니다.

Figure. Study design and closed-loop vibration stimulation system

비알랩의 연구진은 자율 신경계 활동과 연계된 호흡 리듬을 점진적으로 변화시켜 수면을 개선하는 폐루프형 청각 자극 방법 (CLAS)를 고안하였습니다.
CLAS는 지속적으로 수면을 유도하기 위해 사용자의 현재 호흡 빈도와 패턴을 실시간으로 반영합니다. 이 낮잠 실험을 통해 수면 시작 시간의 평균 값이
14.0분에서 9.7분으로 유의미하게 감소하였음을 보였습니다. 이 바이오 피드백 기능은 벤자민 솔루션의 수면 유도 및 주간 어플리케이션에 활용되고 있습니다.

Figure. Examples of respiratory frequencies for spontaneous and guided respirations in the adaptation experiment.