Automatische Schätzung des Apnoe-Hypopnoe-Index unter Verwendung neuronaler Netze zur Erkennung von Schlafapnoe

Die Studienteilnehmer werden aus der Schlafabteilung des „Hospital Universitario Río Hortega“ (HURH) aus Valladolid (Spanien) rekrutiert. Alle Probanden werden aufgrund des Verdachts, an SAHS zu leiden, in die Schlafabteilung eingeliefert. Die gesamte Populationsmenge wird anschließend in Trainingsmenge und Testmenge unterteilt. Das Trainingsset wird verwendet, um das Regressionsmodell zu erstellen, während das Testset verwendet wird, um seine Leistung weiter zu bewerten.

Der Standard-Apnoe-Hypopnoe-Index (AHI) von PSG wird zur Diagnose von SAHS verwendet. Gemäß den Regeln der American Academy of Sleep Medicine (AASM) ist Apnoe definiert als ein Abfall des Luftstromsignals von größer oder gleich 90 % vom Ausgangswert, der mindestens 10 Sekunden andauert, während Hypopnoe als ein Abfall von größer oder gleich 50 definiert ist % während mindestens 10 s, begleitet von einer Entsättigung größer oder gleich 3 % und/oder einer Erregung. Personen mit einem AHI >= 10 Ereignisse pro Stunde (e/h) werden als an SAHS leidend diagnostiziert.

Für die ambulante NPO wird ein tragbares Pulsoximeter (WristOX2 3150, Nonin) verwendet. Die NPO wird am Tag unmittelbar vor oder nach der PSG beim Patienten zu Hause durchgeführt. Die Patienten werden der Durchführung der NPO-Studie vor oder nach der PSG im Krankenhaus nach dem Zufallsprinzip zugeteilt. Zusätzlich wird mit dem tragbaren Pulsoximeter auch eine Oximetrie parallel zum PSG durchgeführt. Daher verfügt jeder Patient über 3 oximetrische Aufzeichnungen: (i) SpO2 aus der unbeaufsichtigten tragbaren Überwachung zu Hause, (ii) SpO2 aus der beaufsichtigten tragbaren Überwachung im Krankenhaus und (iii) SpO2 aus der beaufsichtigten Standard-PSG im Krankenhaus.

SpO2 wird mit einer Abtastrate von 1 Hz aufgezeichnet. Alle SpO2-Aufzeichnungen werden in separaten Dateien gespeichert und offline verarbeitet. Eine automatische Signalvorverarbeitungsstufe wird durchgeführt, um Artefakte zu entfernen.

Unsere Methodik ist in zwei Phasen unterteilt: Merkmalsextraktion und Mustererkennung. Oximetrische Aufzeichnungen werden mittels 16 Merkmalen aus vier Teilmengen von Merkmalen parametrisiert, um den anfänglichen Satz von Merkmalen aus der Oximetrie zusammenzusetzen: Zeitbereichsstatistik, Frequenzbereichsstatistik, herkömmliche Spektralmaße und nichtlineare Merkmale. Alle Features werden für jede ganze Nachtaufnahme berechnet.

• Merkmale 1 bis 4. Momente erster bis vierter Ordnung (M1t - M4t) im Zeitbereich: arithmetisches Mittel (M1t), Varianz (M2t), Schiefe (M3t) und Kurtosis (M4t) werden angewendet, um die zentrale Tendenz und den Betrag von zu quantifizieren Dispersion, Asymmetrie bzw. Spitzigkeit.
• Merkmale 5 bis 8. Momente erster bis vierter Ordnung (M1f - M4f) im Frequenzbereich.
• Merkmal 9. Mittelfrequenz (MF), die als die Komponente definiert ist, die 50 % der Signalleistung ausmacht.
• Merkmal 10. Spektrale Entropie (SE), die ein Unordnungsquantifizierer ist, der sich auf die Ebenheit des Spektrums bezieht.
• Merkmal 11. Total Spectral Power (PT), die als Gesamtfläche unter der PSD berechnet wird.
• Merkmal 12. Spitzenamplitude (PA) im Apnoe-Frequenzband, das das lokale Maximum des Spektralinhalts im Frequenzbereich von 0,014–0,033 Hz ist.
• Merkmal 13. Relative Leistung (PR), das ist das Verhältnis der unter der PSD eingeschlossenen Fläche im Apnoe-Frequenzband zur Gesamtsignalleistung.
• Merkmal 14. Stichprobenentropie (SampEn), die Unregelmäßigkeiten in Zeitreihen quantifiziert, wobei größere Werte unregelmäßigeren Daten entsprechen.
• Merkmal 15. Zentrales Tendenzmaß (CTM), das ein Variabilitätsmaß aus Differenzdiagrammen zweiter Ordnung liefert.
• Merkmal 16. Lempel - Ziv-Komplexität (LZC), die ein Maß für die Komplexität ist, die mit der Rate neuer Teilsequenzen und ihrer Wiederholung entlang des Signals verbunden ist.

Die zweite Stufe entspricht der Regressionsanalyse, die darauf abzielt, einen analytischen Ausdruck für den AHI als Funktion der extrahierten Merkmale bereitzustellen. Ein mehrschichtiges Perzeptron (MLP) neuronales Netzwerk wird verwendet. MLP-Netzwerke sind Modelle für den Ausdruck von Wissen unter Verwendung eines vom menschlichen Gehirn inspirierten konnektionistischen Paradigmas. Sie bestehen aus mehreren einfachen Einheiten oder Neuronen, die als Perzeptrone bekannt sind. Perzeptrons sind in mehreren miteinander verbundenen Schichten angeordnet. Jede Netzwerkverbindung zwischen zwei von ihnen ist einem netzwerkadaptiven Parameter oder Gewicht zugeordnet. MLP-Netzwerke mit einer einzigen verborgenen Schicht, die aus nichtlinearen Perzeptronen (d. h. mit einer nichtlinearen Aktivierungsfunktion) besteht, werden implementiert, da sie zu einer universellen Annäherung fähig sind. Die vorgeschlagene Regressionsaufgabe zielt darauf ab, eine kontinuierliche 1-D-Variable zu approximieren, die den AHI darstellt. Somit ist eine einzelne Ausgabeeinheit mit einer linearen Aktivierungsfunktion erforderlich.