수면무호흡증 검출을 위한 신경망을 이용한 무호흡-저호흡지수 자동 추정 원문보기 KCI 원문보기 인용

연구 대상자는 Valladolid(스페인)의 "Hospital Universitario Río Hortega"(HURH)의 수면 단위에서 모집됩니다. 모든 피험자는 SAHS를 앓는 것으로 의심되어 수면 단위로 유도됩니다. 전체 모집단 집합은 이후 훈련 집합과 테스트 집합으로 나뉩니다. 학습 세트는 회귀 모델을 구성하는 데 사용되는 반면 테스트 세트는 성능을 추가로 평가하는 데 사용됩니다.

PSG의 표준 무호흡-저호흡 지수(AHI)는 SAHS를 진단하는 데 사용됩니다. 미국수면의학회(AASM) 규정에 따르면 무호흡은 기류 신호가 기준치보다 90% 이상 감소한 상태가 10초 이상 지속되는 것으로 정의되는 반면, 저호흡은 50% 이상 감소하는 것으로 정의됩니다. 3% 이상의 불포화 및/또는 각성을 수반하는 최소 10초 동안 %. AHI가 >= 시간당 10건(e/h)인 피험자는 SAHS를 앓고 있는 것으로 진단됩니다.

이동형 NPO에는 휴대용 맥박산소측정기(WristOX2 3150, Nonin)가 사용됩니다. NPO는 환자의 집에서 PSG 직전 또는 직후에 수행됩니다. 환자는 병원 내 PSG 전후에 무작위로 NPO 연구를 수행하도록 지정됩니다. 또한 휴대용 맥박산소측정기를 통해 PSG에 대한 산소측정도 동시에 수행됩니다. 따라서 모든 환자는 (i) 집에서 무인 휴대용 모니터링의 SpO2, (ii) 병원 내 휴대용 모니터링의 SpO2 및 (iii) 병원 내 표준 PSG의 SpO2 등 3개의 산소측정 기록을 가지고 있습니다.

SpO2는 1Hz의 샘플링 속도로 기록됩니다. 모든 SpO2 기록은 별도의 파일에 저장되고 오프라인으로 처리됩니다. 아티팩트를 제거하기 위해 자동 신호 전처리 단계가 수행됩니다.

우리의 방법론은 특징 추출과 패턴 인식의 두 단계로 나뉩니다. Oximetric 기록은 시간 영역 통계, 주파수 영역 통계, 기존 스펙트럼 측정 및 비선형 기능과 같은 산소 측정의 초기 기능 집합을 구성하기 위해 4가지 기능 하위 집합의 16개 기능을 통해 매개 변수화됩니다. 모든 기능은 각각의 전체 야간 기록에 대해 계산됩니다.

• 특징 1~4. 시간 영역에서 1~4차 모멘트(M1t - M4t): 산술 평균(M1t), 분산(M2t), 왜도(M3t) 및 첨도(M4t)를 적용하여 중심 경향, 분산, 비대칭 및 정점.
• 특징 5 ~ 8. 주파수 영역에서 1차 ~ 4차 모멘트(M1f - M4f).
• 특징 9. 중간 주파수(MF)는 신호 전력의 50%를 구성하는 구성 요소로 정의됩니다.
• 특징 10. 스펙트럼 엔트로피(SE)는 스펙트럼의 평탄도와 관련된 무질서 정량자입니다.
• 특징 11. PSD 아래의 총 면적으로 계산되는 총 스펙트럼 전력(PT).
• 기능 12. 주파수 범위 0.014 - 0.033Hz에서 스펙트럼 콘텐츠의 로컬 최대값인 무호흡 주파수 대역의 피크 진폭(PA).
• 특징 13. 전체 신호 전력에 대한 무호흡 주파수 대역에서 PSD 아래에 둘러싸인 면적의 비율인 상대 전력(PR).
• 기능 14. 샘플 엔트로피(SampEn)는 시계열의 불규칙성을 정량화하며 더 큰 값은 더 불규칙한 데이터에 해당합니다.
• 특징 15. 중심 경향 측정(CTM)은 2차 차이 도표에서 변동 측정을 제공합니다.
• 특징 16. Lempel - Ziv 복잡도(LZC)는 신호를 따라 새로운 하위 시퀀스 및 반복의 속도와 연결된 복잡성 측정입니다.

두 번째 단계는 추출된 특징의 함수로서 AHI에 대한 분석적 표현을 제공하는 것을 목표로 하는 회귀 분석에 해당합니다. 다층 퍼셉트론(MLP) 신경망이 사용됩니다. MLP 네트워크는 인간의 두뇌에서 영감을 얻은 연결주의 패러다임을 사용하여 지식을 표현하기 위한 모델입니다. 그들은 퍼셉트론으로 알려진 여러 개의 단순 단위 또는 뉴런으로 구성됩니다. 퍼셉트론은 서로 연결된 여러 층으로 배열됩니다. 그들 중 둘 사이의 각 네트워크 연결은 네트워크 적응 매개변수 또는 가중치와 연관됩니다. 비선형 퍼셉트론(즉, 비선형 활성화 함수 포함)으로 구성된 단일 숨겨진 레이어가 있는 MLP 네트워크는 범용 근사가 가능하기 때문에 구현됩니다. 제안된 회귀 작업은 AHI를 나타내는 1D 연속 변수를 근사화하는 것을 목표로 합니다. 따라서 선형 활성화 함수가 있는 단일 출력 장치가 필요합니다.