Az apnoe-hipopnoe index automatikus becslése neurális hálózatok segítségével az alvási apnoe kimutatására

A vizsgált alanyokat a Valladolid (Spanyolország) "Hospital Universitario Río Hortega" (HURH) alvási osztályából toborozták. Valamennyi alany az alvási egységhez tartozik, mert gyanús, hogy SAHS-ben szenved. A teljes populációt ezután felosztják képzési készletre és tesztkészletre. A képzési halmaz a regressziós modell összeállítására szolgál, míg a tesztkészlet a teljesítmény további értékelésére szolgál.

A PSG standard apnoe-hypopnea indexét (AHI) használják az SAHS diagnosztizálására. Az Amerikai Alvógyógyászati ​​Akadémia (AASM) szabályai szerint az apnoét a légáramlási jel legalább 10 másodpercig tartó, az alapvonalhoz viszonyított 90%-nál nagyobb vagy azzal egyenlő csökkenéseként határozzák meg, míg a hypopnoét 50-nél nagyobb vagy azzal egyenlő esésként határozzák meg. %-ban legalább 10 másodpercig 3%-nál nagyobb vagy egyenlő deszaturáció és/vagy izgalom kíséretében. Azoknál az alanyoknál, akiknél az AHI >= 10 esemény óránként (e/h), SAHS-ben szenvednek.

Hordozható pulzoximéter (WristOX2 3150, Nonin) használható ambuláns NPO-hoz. Az NPO-t közvetlenül a PSG előtt vagy azt követő napon végzik el a páciens otthonában. A betegeket véletlenszerűen osztják ki az NPO vizsgálat elvégzésére a kórházi PSG előtt vagy után. Ezenkívül a PSG-vel egyidejűleg oximetriát is végeznek a hordozható pulzoximéter segítségével. Ezért minden betegnek 3 oximetriás felvétele van: (i) SpO2 a felügyelet nélküli otthoni hordozható monitorozásból, (ii) SpO2 a kórházi hordozható monitorozásból és (iii) SpO2 a kórházi standard PSG-ből.

Az SpO2-t 1 Hz-es mintavételezési frekvenciával rögzítik. Az összes SpO2-felvételt külön fájlba menti, és offline módban dolgozza fel. Egy automatikus jel-előfeldolgozási szakaszt hajtanak végre a műtermékek eltávolítására.

Módszertanunk két szakaszra oszlik: jellemző kivonásra és mintafelismerésre. Az oximetriás felvételeket négy jellemző részhalmaz 16 jellemzője segítségével paraméterezzük, hogy az oximetriából összeállítsuk a kezdeti jellemzőkészletet: időtartomány-statisztika, frekvenciatartomány-statisztika, hagyományos spektrális mértékek és nemlineáris jellemzők. Az összes funkciót a rendszer minden teljes éjszakai felvételhez kiszámítja.

• Jellemzők 1-től 4-ig. Első-negyedrendű momentumok (M1t - M4t) az időtartományban: a számtani átlag (M1t), a variancia (M2t), a ferdeség (M3t) és a gördülés (M4t) a centrális tendencia számszerűsítésére szolgál diszperzió, aszimmetria és csúcsosság, ill.
• Jellemzők 5-8. Első-negyedrendű momentumok (M1f - M4f) a frekvenciatartományban.
• 9. jellemző. Medián frekvencia (MF), amely a jelteljesítmény 50%-át alkotó összetevőként definiálható.
• 10. funkció. Spektrális entrópia (SE), amely a spektrum síkságával kapcsolatos zavarkvantifikátor.
• 11. funkció. Teljes spektrális teljesítmény (PT), amelyet a PSD alatti teljes területként számítanak ki.
• 12. jellemző. Csúcsamplitúdó (PA) az apnoe frekvenciasávban, amely a spektrális tartalom helyi maximuma a 0,014 - 0,033 Hz frekvenciatartományban.
• 13. funkció. Relatív teljesítmény (PR), amely az apnoe frekvenciasávban a PSD alatt bezárt terület és a teljes jelteljesítmény aránya.
• 14. jellemző. Minta entrópia (SampEn), amely számszerűsíti az idősorok szabálytalanságát, nagyobb értékek pedig szabálytalanabb adatoknak felelnek meg.
• 15. funkció. Központi tendencia mértéke (CTM), amely másodrendű különbségi diagramokból ad változékonysági mérőszámot.
• 16. funkció. Lempel - Ziv komplexitás (LZC), amely a komplexitás mértéke, amely az új részszekvenciák sebességéhez és a jel mentén történő ismétlődéséhez kapcsolódik.

A második szakasz a regressziós analízisnek felel meg, amelynek célja, hogy analitikus kifejezést adjon az AHI számára a kinyert jellemzők függvényében. Többrétegű perceptron (MLP) neurális hálózatot használnak. Az MLP-hálózatok modellek a tudás kifejezésére az emberi agyban ihletett konnekcionista paradigmával. Több egyszerű egységből vagy neuronból állnak, amelyeket perceptronoknak neveznek. A perceptronok több, egymással összefüggő rétegben helyezkednek el. Kettőjük között minden hálózati kapcsolathoz egy hálózati adaptív paraméter vagy súly tartozik. A nemlineáris perceptronokból álló (azaz nemlineáris aktiválófüggvényű) egyetlen rejtett réteggel rendelkező MLP hálózatokat azért valósítják meg, mert képesek univerzális közelítésre. A javasolt regressziós feladat egy AHI-t reprezentáló 1-D folytonos változó közelítését célozza. Így egyetlen kimeneti egységre van szükség lineáris aktiválási funkcióval.