Automatický odhad indexu apnoe-hypopnoe pomocí neuronových sítí k detekci spánkové apnoe

Zkoumané subjekty se rekrutují ze spánkové jednotky "Hospital Universitario Río Hortega" (HURH) z Valladolidu (Španělsko). Všechny subjekty jsou odvozeny od jednotky spánku kvůli podezření, že trpí SAHS. Celý soubor populace je následně rozdělen na trénovací a testovací. Tréninková sada se používá k sestavení regresního modelu, zatímco testovací sada se používá k dalšímu hodnocení jeho výkonnosti.

K diagnostice SAHS se používá standardní index apnoe-hypopnoe (AHI) od PSG. Podle pravidel Americké akademie spánkové medicíny (AASM) je apnoe definována jako pokles signálu proudění vzduchu větší nebo rovný 90 % od výchozí hodnoty trvající alespoň 10 s, zatímco hypopnoe je definována jako pokles větší nebo rovný 50 % během alespoň 10 s doprovázené desaturací větší nebo rovnou 3 % a/nebo vzrušením. Subjekty s AHI >= 10 příhod za hodinu (e/h) jsou diagnostikovány jako trpící SAHS.

Pro ambulantní NPO se používá přenosný pulzní oxymetr (WristOX2 3150, Nonin). NPO se provádí den bezprostředně před nebo po PSG u pacienta doma. Pacienti jsou přiřazeni k provedení studie NPO před nebo po nemocničním PSG náhodně. Kromě toho se oxymetrie také provádí současně s PSG pomocí přenosného pulzního oxymetru. Každý pacient má tedy k dispozici 3 oxymetrické záznamy: (i) SpO2 z bezobslužného přenosného monitorování doma, (ii) SpO2 z navštíveného nemocničního přenosného monitorování a (iii) SpO2 z obsluhovaného standardního PSG v nemocnici.

SpO2 se zaznamenává při vzorkovací frekvenci 1 Hz. Všechny záznamy SpO2 se ukládají do samostatných souborů a zpracovávají se offline. K odstranění artefaktů se provádí fáze automatického předběžného zpracování signálu.

Naše metodika je rozdělena do dvou fází: extrakce rysů a rozpoznávání vzorů. Oximetrické záznamy jsou parametrizovány pomocí 16 funkcí ze čtyř podskupin funkcí, aby se z oxymetrie složila počáteční sada funkcí: statistika v časové oblasti, statistika ve frekvenční oblasti, konvenční spektrální měření a nelineární vlastnosti. Všechny funkce jsou vypočítány pro každé celé noční nahrávání.

• Vlastnosti 1 až 4. Momenty prvního až čtvrtého řádu (M1t - M4t) v časové oblasti: aritmetický průměr (M1t), rozptyl (M2t), šikmost (M3t) a špičatost (M4t) se používají ke kvantifikaci centrální tendence, množství disperze, asymetrie a vrcholovosti.
• Vlastnosti 5 až 8. Momenty prvního až čtvrtého řádu (M1f - M4f) ve frekvenční oblasti.
• Funkce 9. Střední frekvence (MF), která je definována jako složka, která tvoří 50 % výkonu signálu.
• Funkce 10. Spektrální entropie (SE), což je kvantifikátor poruchy související s plochostí spektra.
• Funkce 11. Celkový spektrální výkon (PT), který se vypočítá jako celková plocha pod PSD.
• Funkce 12. Špičková amplituda (PA) ve frekvenčním pásmu apnoe, což je místní maximum spektrálního obsahu ve frekvenčním rozsahu 0,014 - 0,033 Hz.
• Funkce 13. Relativní výkon (PR), což je poměr plochy uzavřené pod PSD ve frekvenčním pásmu apnoe k celkovému výkonu signálu.
• Funkce 14. Vzorková entropie (SampEn), která kvantifikuje nepravidelnost v časových řadách, přičemž větší hodnoty odpovídají nepravidelnějším údajům.
• Funkce 15. Měření centrální tendence (CTM), které poskytuje míru variability z grafů rozdílu druhého řádu.
• Funkce 16. Komplexita Lempel - Ziv (LZC), což je míra složitosti spojená s rychlostí nových subsekvencí a jejich opakováním podél signálu.

Druhá fáze odpovídá regresní analýze, jejímž cílem je poskytnout analytické vyjádření pro AHI jako funkci extrahovaných znaků. Používá se vícevrstvá neuronová síť perceptron (MLP). MLP sítě jsou modely pro vyjádření znalostí pomocí konekcionistického paradigmatu inspirovaného v lidském mozku. Skládají se z několika jednoduchých jednotek nebo neuronů známých jako perceptrony. Perceptrony jsou uspořádány v několika vzájemně propojených vrstvách. Každé síťové spojení mezi dvěma z nich je spojeno se síťovým adaptivním parametrem nebo váhou. MLP sítě s jedinou skrytou vrstvou složenou z nelineárních perceptronů (tj. s nelineární aktivační funkcí) jsou implementovány, protože jsou schopny univerzální aproximace. Cílem navrhované regresní úlohy je aproximovat 1-D spojitou proměnnou reprezentující AHI. Je tedy zapotřebí jediná výstupní jednotka s lineární aktivační funkcí.