Automatisk estimering af apnø-hypopnø-indekset ved hjælp af neurale netværk til at detektere søvnapnø

Emner under undersøgelse rekrutteres fra søvnenheden på "Hospital Universitario Río Hortega" (HURH) fra Valladolid (Spanien). Alle forsøgspersoner er afledt til søvnenheden på grund af mistanke om at lide af SAHS. Hele populationssættet opdeles efterfølgende i træningssæt og testsæt. Træningssættet bruges til at sammensætte regressionsmodellen, hvorimod testsættet bruges til yderligere at vurdere dens præstation.

Standard apnø-hypopnø-indekset (AHI) fra PSG bruges til at diagnosticere SAHS. Ifølge American Academy of Sleep Medicine (AASM) regler er apnø defineret som et fald i luftstrømssignalet større end eller lig med 90 % fra baseline, der varer mindst 10 sekunder, hvorimod hypopnø defineres som et fald større end eller lig med 50 % i løbet af mindst 10 s ledsaget af en desaturation større end eller lig med 3 % og/eller en ophidselse. Forsøgspersoner med en AHI >= 10 hændelser i timen (e/h) er diagnosticeret som lidende af SAHS.

Et bærbart pulsoximeter (WristOX2 3150, Nonin) bruges til ambulant NPO. NPO udføres dagen umiddelbart før eller efter PSG i patientens hjem. Patienterne tildeles tilfældigt at udføre NPO-undersøgelsen før eller efter PSG på hospitalet. Derudover udføres oximetri også samtidigt med PSG ved hjælp af det bærbare pulsoximeter. Derfor har hver patient 3 oximetriske registreringer: (i) SpO2 fra uovervåget bærbar monitorering i hjemmet, (ii) SpO2 fra overvåget transportabel monitorering på hospitalet og (iii) SpO2 fra behandlet hospitalsstandard PSG.

SpO2 registreres ved en samplingshastighed på 1 Hz. Alle SpO2-optagelser gemmes til separate filer og behandles offline. Et automatisk signalforbehandlingstrin udføres for at fjerne artefakter.

Vores metode er opdelt i to faser: funktionsudtrækning og mønstergenkendelse. Oximetriske optagelser parametreres ved hjælp af 16 funktioner fra fire funktionsundersæt for at sammensætte det indledende funktionssæt ud fra oximetri: tidsdomænestatistikker, frekvensdomænestatistikker, konventionelle spektrale mål og ikke-lineære funktioner. Alle funktioner er beregnet for hver hele natten optagelse.

• Funktioner 1 til 4. Første til fjerde ordens momenter (M1t - M4t) i tidsdomænet: aritmetisk middelværdi (M1t), varians (M2t), skævhed (M3t) og kurtosis (M4t) anvendes til at kvantificere central tendens, mængden af henholdsvis spredning, asymmetri og peakedness.
• Funktioner 5 til 8. Første til fjerde ordens momenter (M1f - M4f) i frekvensdomænet.
• Feature 9. Medianfrekvens (MF), som er defineret som den komponent, der udgør 50 % af signaleffekten.
• Funktion 10. Spektral entropi (SE), som er en forstyrrelseskvantator relateret til spektrets fladhed.
• Funktion 11. Total spektral effekt (PT), som beregnes som det samlede areal under PSD'en.
• Feature 12. Peak amplitude (PA) i apnøfrekvensbåndet, som er det lokale maksimum af spektralindholdet i frekvensområdet 0,014 - 0,033 Hz.
• Funktion 13. Relativ effekt (PR), som er forholdet mellem området indesluttet under PSD'en i apnøfrekvensbåndet og den samlede signaleffekt.
• Feature 14. Sample entropi (SampEn), som kvantificerer uregelmæssigheder i tidsserier, med større værdier svarende til mere uregelmæssige data.
• Funktion 15. Central tendensmål (CTM), som giver et variabilitetsmål fra andenordens differensplot.
• Funktion 16. Lempel - Ziv-kompleksitet (LZC), som er et mål for kompleksitet forbundet med hastigheden af ​​nye undersekvenser og deres gentagelse langs signalet.

Det andet trin svarer til regressionsanalyse, som har til formål at give et analytisk udtryk for AHI som funktion af de ekstraherede træk. Et multilayer perceptron (MLP) neuralt netværk anvendes. MLP-netværk er modeller til at udtrykke viden ved hjælp af et konnektionistisk paradigme inspireret i den menneskelige hjerne. De er sammensat af flere simple enheder eller neuroner kendt som perceptroner. Perceptroner er arrangeret i flere indbyrdes forbundne lag. Hver netværksforbindelse mellem to af dem er forbundet med en netværksadaptiv parameter eller vægt. MLP-netværk med et enkelt skjult lag sammensat af ikke-lineære perceptroner (dvs. med en ikke-lineær aktiveringsfunktion) er implementeret, da de er i stand til universel tilnærmelse. Den foreslåede regressionsopgave sigter mod at tilnærme en 1-D kontinuerlig variabel, der repræsenterer AHI. Der kræves således en enkelt udgangsenhed med en lineær aktiveringsfunktion.