Stima automatica dell'indice di apnea-ipopnea utilizzando reti neurali per rilevare l'apnea notturna

I soggetti in studio sono reclutati dall'unità del sonno dell '"Hospital Universitario Río Hortega" (HURH) di Valladolid (Spagna). Tutti i soggetti sono trasferiti all'unità del sonno a causa del sospetto di soffrire di SAHS. L'intero set di popolazione viene successivamente suddiviso in set di addestramento e set di test. Il set di addestramento viene utilizzato per comporre il modello di regressione, mentre il set di test viene utilizzato per valutarne ulteriormente le prestazioni.

L'indice standard di apnea-ipopnea (AHI) del PSG viene utilizzato per diagnosticare la SAHS. Secondo le regole dell'American Academy of Sleep Medicine (AASM), l'apnea è definita come un calo del segnale del flusso aereo maggiore o uguale al 90% rispetto al basale della durata di almeno 10 secondi, mentre l'ipopnea è definita come un calo maggiore o uguale a 50 % per almeno 10 s accompagnato da una desaturazione maggiore o uguale al 3% e/o da un risveglio. I soggetti con un AHI >= 10 eventi per ora (e/h) sono diagnosticati come affetti da SAHS.

Un pulsossimetro portatile (WristOX2 3150, Nonin) viene utilizzato per NPO ambulatoriale. La NPO viene effettuata il giorno immediatamente precedente o successivo al PSG presso il domicilio del paziente. I pazienti vengono assegnati a svolgere lo studio NPO prima o dopo PSG in ospedale in modo casuale. Inoltre, la pulsossimetria viene eseguita anche contemporaneamente al PSG per mezzo del pulsossimetro portatile. Pertanto, ogni paziente dispone di 3 registrazioni ossimetriche: (i) SpO2 da monitoraggio portatile non presidiato a casa, (ii) SpO2 da monitoraggio portatile presidiato in ospedale e (iii) SpO2 da PSG standard presidiato in ospedale.

La SpO2 viene registrata a una frequenza di campionamento di 1 Hz. Tutte le registrazioni SpO2 vengono salvate in file separati ed elaborate offline. Viene eseguita una fase di pre-elaborazione automatica del segnale per rimuovere gli artefatti.

La nostra metodologia è divisa in due fasi: estrazione delle caratteristiche e riconoscimento dei modelli. Le registrazioni ossimetriche sono parametrizzate mediante 16 caratteristiche da quattro sottoinsiemi di caratteristiche per comporre il set di caratteristiche iniziale dall'ossimetria: statistiche nel dominio del tempo, statistiche nel dominio della frequenza, misure spettrali convenzionali e caratteristiche non lineari. Tutte le caratteristiche sono calcolate per ogni registrazione notturna intera.

• Funzioni da 1 a 4. Momenti dal primo al quarto ordine (M1t - M4t) nel dominio del tempo: media aritmetica (M1t), varianza (M2t), asimmetria (M3t) e curtosi (M4t) vengono applicate per quantificare la tendenza centrale, la quantità di dispersione, asimmetria e peakedness, rispettivamente.
• Caratteristiche da 5 a 8. Momenti dal primo al quarto ordine (M1f - M4f) nel dominio della frequenza.
• Caratteristica 9. Frequenza mediana (MF), definita come la componente che comprende il 50% della potenza del segnale.
• Caratteristica 10. Entropia spettrale (SE), che è un quantificatore di disordine correlato alla piattezza dello spettro.
• Caratteristica 11. Potenza spettrale totale (PT), calcolata come area totale sotto la PSD.
• Caratteristica 12. Ampiezza di picco (PA) nella banda di frequenza dell'apnea, che è il massimo locale del contenuto spettrale nell'intervallo di frequenza 0,014 - 0,033 Hz.
• Caratteristica 13. Potenza relativa (PR), ovvero il rapporto tra l'area racchiusa sotto il PSD nella banda di frequenza dell'apnea e la potenza totale del segnale.
• Caratteristica 14. Sample entropy (SampEn), che quantifica l'irregolarità nelle serie temporali, con valori maggiori corrispondenti a dati più irregolari.
• Caratteristica 15. Misura di tendenza centrale (CTM), che fornisce una misura di variabilità dai grafici delle differenze di secondo ordine.
• Caratteristica 16. Complessità di Lempel - Ziv (LZC), che è una misura di complessità legata al tasso di nuove sottosequenze e alla loro ripetizione lungo il segnale.

La seconda fase corrisponde all'analisi di regressione, che mira a fornire un'espressione analitica per l'AHI in funzione delle caratteristiche estratte. Viene utilizzata una rete neurale perceptron multistrato (MLP). Le reti MLP sono modelli per esprimere la conoscenza utilizzando un paradigma connessionista ispirato al cervello umano. Sono composti da più unità semplici o neuroni noti come percettroni. I percettroni sono disposti in diversi strati interconnessi. Ogni connessione di rete tra due di essi è associata a un parametro o peso adattivo di rete. Le reti MLP con un singolo strato nascosto composto da percettroni non lineari (cioè con una funzione di attivazione non lineare) sono implementate poiché sono in grado di approssimazione universale. Il compito di regressione proposto mira ad approssimare una variabile continua 1-D che rappresenta l'AHI. Pertanto, è richiesta una singola unità di uscita con una funzione di attivazione lineare.