Apnea-hypopnea-indeksin automaattinen estimointi hermoverkkojen avulla uniapnean havaitsemiseen

Tutkittavat kohteet on rekrytoitu Valladolidista (Espanjasta) sijaitsevan "Hospital Universitario Río Hortegan" (HURH) uniyksiköstä. Kaikki koehenkilöt on johdettu uniyksikköön SAHS-sairauden epäilyn vuoksi. Koko populaatiosarja jaetaan tämän jälkeen harjoitussarjaan ja testisarjaan. Harjoitussarjaa käytetään regressiomallin laatimiseen, kun taas testisarjaa käytetään sen suorituskyvyn arvioimiseen.

PSG:n standardia apnea-hypopnea-indeksiä (AHI) käytetään SAHS:n diagnosoimiseen. American Academy of Sleep Medicine (AASM) -sääntöjen mukaan apnea määritellään ilmavirtaussignaalin putoamiseksi, joka on suurempi tai yhtä suuri kuin 90 % lähtötasosta ja kestää vähintään 10 sekuntia, kun taas hypopnea määritellään putoamiseksi, joka on suurempi tai yhtä suuri kuin 50 % vähintään 10 sekunnin ajan, johon liittyy yli tai yhtä suuri desaturaatio kuin 3 % ja/tai herääminen. Koehenkilöillä, joiden AHI on >= 10 tapahtumaa tunnissa (e/h), diagnosoidaan SAHS:a.

Kannettavaa pulssioksimetriä (WristOX2 3150, Nonin) käytetään ambulatorisessa NPO:ssa. NPO suoritetaan PSG:tä edeltävänä tai välittömästi seuraavana päivänä potilaan kotona. Potilaat määrätään suorittamaan NPO-tutkimus ennen sairaalassa tapahtuvaa PSG:tä tai sen jälkeen satunnaisesti. Lisäksi oksimetria suoritetaan samanaikaisesti PSG:lle kannettavan pulssioksimetrin avulla. Siksi jokaisella potilaalla on kolme oksimetristä tallennetta: (i) SpO2 valvomattomasta kannettavasta kotiseurannasta, (ii) SpO2 hoidetusta sairaalassa kannettavasta seurannasta ja (iii) SpO2 hoidetusta sairaalan normaalista PSG:stä.

SpO2 tallennetaan 1 Hz:n näytteenottotaajuudella. Kaikki SpO2-tallenteet tallennetaan erillisiin tiedostoihin ja käsitellään offline-tilassa. Automaattinen signaalin esikäsittelyvaihe suoritetaan artefaktien poistamiseksi.

Metodologiamme on jaettu kahteen vaiheeseen: piirteiden poimiminen ja kuvion tunnistus. Oksimetriset tallenteet parametroidaan 16 ominaisuuden avulla neljästä ominaisuusalajoukosta alkuperäisen ominaisuusjoukon muodostamiseksi oksimetriasta: aikatason tilastot, taajuusalueen tilastot, tavanomaiset spektrimitat ja epälineaariset ominaisuudet. Kaikki ominaisuudet lasketaan jokaista kokonaista yön yli tapahtuvaa tallennusta varten.

• Ominaisuudet 1-4. Ensimmäisen ja neljännen kertaluvun momentit (M1t - M4t) aikatasolla: aritmeettista keskiarvoa (M1t), varianssia (M2t), vinoutta (M3t) ja kurtoosia (M4t) käytetään kvantifioimaan keskeinen suuntaus, määrä dispersio, epäsymmetria ja huippuarvo.
• Ominaisuudet 5 - 8. Ensimmäisen - neljännen kertaluvun momentit (M1f - M4f) taajuusalueella.
• Ominaisuus 9. Mediaanitaajuus (MF), joka määritellään komponentiksi, joka muodostaa 50 % signaalitehosta.
• Ominaisuus 10. Spektrientropia (SE), joka on spektrin tasaisuuteen liittyvä häiriökvantifioija.
• Ominaisuus 11. Kokonaisspektriteho (PT), joka lasketaan PSD:n alla olevana kokonaisalueena.
• Ominaisuus 12. Huippuamplitudi (PA) apnean taajuuskaistalla, joka on spektrisisällön paikallinen maksimi taajuusalueella 0,014 - 0,033 Hz.
• Ominaisuus 13. Suhteellinen teho (PR), joka on apneataajuuskaistan PSD:n alle jääneen alueen suhde signaalin kokonaistehoon.
• Ominaisuus 14. Näyteentropia (SampEn), joka kvantifioi aikasarjojen epäsäännöllisyyden. Suuremmat arvot vastaavat epäsäännöllisempiä tietoja.
• Ominaisuus 15. Keskitrendimitta (CTM), joka tarjoaa vaihtelumitan toisen asteen erokäyristä.
• Ominaisuus 16. Lempel - Ziv-kompleksisuus (LZC), joka on monimutkaisuuden mitta, joka liittyy uusien osasekvenssien nopeuteen ja niiden toistumiseen signaalissa.

Toinen vaihe vastaa regressioanalyysiä, jonka tarkoituksena on tarjota analyyttinen lauseke AHI:lle erotettujen piirteiden funktiona. Käytössä on monikerroksinen perceptron (MLP) neuroverkko. MLP-verkot ovat malleja tiedon ilmaisemiseksi käyttämällä ihmisaivoista inspiroitua konnektionistista paradigmaa. Ne koostuvat useista yksinkertaisista yksiköistä tai hermosoluista, jotka tunnetaan perceptroneina. Perceptronit on järjestetty useisiin toisiinsa liittyviin kerroksiin. Jokainen verkkoyhteys kahden välillä liittyy verkkoon mukautuvaan parametriin tai painoon. MLP-verkot, joissa on yksi piilotettu kerros, joka koostuu epälineaarisista perceptroneista (eli epälineaarisella aktivointifunktiolla), toteutetaan, koska ne pystyvät universaaliin approksimaatioon. Ehdotetun regressiotehtävän tarkoituksena on approksimoida 1-D jatkuvaa muuttujaa, joka edustaa AHI:ta. Siten tarvitaan yksi lähtöyksikkö lineaarisella aktivointitoiminnolla.