台灣血液透析 (俗稱洗腎) 率為世界各國之冠, 遠超過美國與日本。根據衛福部健保署所公佈之資訊, 2017 年全台洗腎病患, 共花掉健保 503 億元, 已連續四年蟬聯最花錢的疾病。所以, 不論是以國人健康或是國家財政角度而言, 與腎臟疾病相關的健康醫療研究是刻不容緩的公共議題。洗腎是腎臟疾病患者維持生命的正常療程, 一般是一星期要洗腎 2 $\sim$ 3 次。洗腎需要先建立動靜脈通路, 使得血液能藉著該通路順利輸出, 清洗後, 再輸入人體。常用的動靜脈通路稱為動靜脈廔管。因為高洗腎頻率, 動靜脈廔管常出現狹窄, 使得洗腎患者要先進行廔管疏通手術, 方能繼續正常的洗腎。本研究的動機是基於及時的預測動靜脈廔管狹窄的需要。

據我們所知, 醫院目前使用預測狹窄的方法皆為侵入式, 例如血管造影, 需要先施打顯影劑。本研究所使用的數據是利用非侵入式可攜裝置所蒐集的血管聲音。本研究最大的貢獻是提出可有效預測洗腎病人動靜脈廔管狹窄的血管聲音特徵值與明確的預測廔管狹窄與否的邏輯。該特徵值整合頻域資料, 時域資料, 與亂度 (entropy), 並在分類結果得到準確度 (accuracy) 為 0.972, 敏感度
(sensitivity) 為 0.964, 特異度 (specificity) 為 0.979。

Arteriovenous fistula (AVF) is often the recommended treatment for building Arteriovenous access (AVA) for hemodialysis (HD) patients. Stenosis is the major cause of dysfunction of AVF. To our knowledge, there does not exist effective vascular-sounds
characteristics used for diagnosing AVF stenosis. We collect the vascular-sounds from a non-invasive portable measuring device. This paper proposes an effective characteristic, named sample entropy, which is a function of “time-domain vascular sounds”. Such time-domain data also depends on specific frquency-domain data ranges. The proposed sample entropy outperforms existing vascular-sounds characteristics in terms of commonly used performance measures such as the sensitivity, specificity, and accuracy. Our analysis shows that the performance measure for the proposed sample entropy as a characteristic in terms of accuracy, sensitivity, specificity are 0.972, 0.964, and 0.979, respectively.

致謝· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · i
摘要· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ii
英文摘要· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · iii
目錄· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · iv
表目錄· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · vi
圖目錄· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · vii
第1 章緒論· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 1
1.1 研究背景. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 符號定義. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
第2 章文獻探討· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 4
2.1 現有研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 訊號的特徵值. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 血液透析廔管手術. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 訊號處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 傅立葉轉換. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.5 分類模型的績效指標. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
第3 章研究方法· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 12
3.1 蒐集聲音訊號. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 資料前處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1 正規化轉換. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.2 濾波. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.3 訊號萃取. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.4 統一資料長度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 計算特徵值. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3.1 時域特徵值. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3.2 頻域特徵值. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
第4 章研究結果· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 19
4.1 時域特徵值分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.1.1 參數調整. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 頻域特徵值分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
第5 章結論與未來研究· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 24
附錄· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 25
參考文獻· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 26

[1] USRDS, “United states renal data system,” USRDS, 2017.
[2] H. A. Mansy, S. J. Hoxie, N. H. Patel, and R. H. Sandler, “Computerised analysis of auscultatory sounds associated with vascular patency of haemodialysis access,” Medical and Biological Engineering and Computing, vol. 43, no. 1, pp. 56–62, 2005.
[3] W.-L. Chen, C.-D. Kan, and C.-H. Lin, “Arteriovenous shunt stenosis evaluation using a fractional-order fuzzy petri net based screening system for long-term hemodialysis patients,” Medical and Biological Engineering and Computing, vol. 7, no. 5, pp. 258–275, 2005.
[4] T. Sato, K. Tsuji, N. Kawashima, T. Agishi, and H. Toma, “Evaluation of blood access dysfunction based on a wavelet transform analysis of shunt murmurs,” Journal of Artificial Organs, vol. 9, no. 2, pp. 97–104, 2006.
[5] Y.-N. Wang, C.-Y. Chan, and S.-J. Chou, “The detection of arteriovenous fistula stenosis for hemodialysis based on wavelet transform,” International Journal of Advanced Computer Science, vol. 1, no. 1, pp. 16–22, 2011.
[6] Y. M. Akay, M. Akay, W. Welkowitz, J. L. Semmlow, and J. B. Kostis, “Noninvasive acoustical detection of coronary artery disease: A comparative study of signal processing methods,” IEEE Transactions on Biomedical Engineering, vol. 40, no. 6, pp. 571–578, 1993.
[7] P. Vasquez, M. M. Marco, E. Mattsson, and B. Mandersson, “Application of the empirical mode decomposition in the study of murmurs from arteriovenous fistula stenosis,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, pp. 947–950, 2010.
[8] K. Roth, I. Kauppinen, and V. Esquef P.A. & Valimaki, “Frequency warped bur’s method for ar-modeling,” IEEE Workshop on Applications of Signal Processing to Audio and Acoustics, pp. 5–8, 2003.
[9] W. L. Chen, T. Chen, C. H. Lin, P. J. Chen, and C. D. Kan, “Phonographic
signal with a fractional-order chaotic system: A novel and simple algorithm for analyzing residual arteriovenous access stenosis,” Medical & Biological Engineering & Computing, vol. 51, no. 9, pp. 1011–1019, 2013.
[10] P. Malindretos, C. Liaskos, P. Bamidis, I. Chryssogonidis, and P. Lasaridis A. & Nikolaidis, “Computer assisted sound analysis of arteriovenous fistula in hemodialysis patients,” The International journal of artificial organs, vol. 37, no. 2, pp. 173–176, 2014.
[11] P. O. Vesquez, M. M. Munguía, and B. Mandersson, “Arteriovenous fistula stenosis detection using wavelets and support vector machines,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, pp. 1298–1301, 2009.
[12] L. Rousselot, “Acoustical monitoring of model system for vascular access in haemodialysis,” PHD dissertation, TU Delft, Delft University of Technology, 2014.
[13] A. Todo, T. Kadonaka, M. Yoshioka, A. Ueno, M. Mitani, H. Katsurao, N. Someya, H. Hasegawa, Y. Hitomi, T. Nishigaki, and Y. Mizuno-Matsumoto, “Frequency analysis of shunt sounds in the arteriovenous fistula on hemodialysis patients,” 6th joint International Conference on. Soft Computing and Intelligent Systems (SCIS) and 13th International Symposium on Advanced Intelligent Systems (ISIS), pp. 1113–1118, 2012.
[14] S.-M. Cheng, S.-P. Ng, F.-S. Yang, and S.-L. Shih, “Interventional treatment for complete occlusion of arteriovenous shunt: Our experience in 39 cases,” Chin J Radiol, vol. 28, pp. 137–142, 2003.
[15] K. Konner, B. Nonnast-Daniel, and E. Ritz, “The arteriovenous fistula,” Journal of the American Society of Nephrology, vol. 14, no. 6, pp. 1669–1680, 2003.
[16] M. Grochowina, L. Leniowska, and P. Dulkiewicz, “Application of artificial neural networks for the diagnosis of the condition of the arterio-venous fistula on the basis of acoustic signals,” Brain Informatics and Health, pp. 400–411, 2014.
[17] L. Kumbar and A. Jariatul K. & Besarab, “Surveillance and monitoring of dialysis access,” International Journal of Nephrology, 2012.
[18] M. Gram, J. T. Olesen, H. C. Riis, M. Selvaratnam, H. Meyer-Hofmann, B. B. Pedersen, J. H. Christensen, J. Struijk, and S. E. Schmidt, “Stenosis detection algorithm for screening of arteriovenous fistulae,” 15th Nordic-Baltic Conference on Biomedical Engineering and Medical Physics (NBC), vol. 34, pp. 241–244, 2011.
[19] Y. Nishitani and H. Inada, “An analysis of frequency components of shunt murmur for diagnosing shunt stenoses in hemodialysis,” World Congress on Medical Physics and Biomedical Engineering, pp. 196–197, 2009.
[20] M. Allon and M. L. Robbin, “Increasing arteriovenous fistulas in hemodialysis patients: Problems and solutions,” Kidney international, vol. 62, no. 4, pp. 1109–1124, 2002.
[21] M. M. Munguia and B. Mandersson, “Analysis of the vascular sounds of the arteriovenous fistula’s anastomosis,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, pp. 3784–3787, 2011.
[22] H. Y. Wang, C. H. Wu, and B. S. Chen C. Y. & Lin, “Novel noninvasive approach for detecting arteriovenous fistula stenosis,” IEEE Transactions on Biomedical Engineering, vol. 61, no. 6, pp. 1851–1857, 2014.
[23] Y.-Y. Wang, “Application of empirical mode decomposition and machine learning to arteriovenous graft occlusion analysis for hemodialysis patients,” National Cheng Kung University, Department of Biomedical Engineering, 2018.
[24] M. M. Munguia, P. Vasquez, and B. Mandersson, “Characterisation of arteriovenous fistula’s sound recordings using principal component analysis,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, 2009.
[25] ——, “Acoustical detection of venous stenosis in hemodialysis patients using principal component analysis,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, 2010.
[26] 陳華緯, “Improvement of the blood flow sound device for stenotic detection of arteriovenous grafts and for stenosis severity classification,” 義守大學碩士論文, 2012.
[27] 簡名儀, “Extraction of characteristic parameters in blood flow sound for detection of stenotic severity of an arteriovenous fistula,” 義守大學碩士論文, 2011.
[28] 江秀月, “A novel approach for vascular sounds of arteriovenous fistulas and vascular stenoses,” 清華大學工業工程與工程管理學系工程碩士在職專班學位論文, 2013.
[29] M. Kawai and A. Suzuki, “Analysis and evaluation of vascular sounds in hemodialysis,” Engineering in Medicine and Biology Society (EMBC), Annual International Conference of the IEEE, 2013.