Automatische schatting van de apneu-hypopneu-index met behulp van neurale netwerken om slaapapneu te detecteren

Onderwerpen die worden bestudeerd, worden gerekruteerd uit de slaapafdeling van het "Hospital Universitario Río Hortega" (HURH) uit Valladolid (Spanje). Alle proefpersonen zijn afgeleid van de slaapeenheid vanwege het vermoeden dat ze aan SAHS lijden. De gehele populatieset wordt vervolgens opgedeeld in trainingsset en testset. De trainingsset wordt gebruikt om het regressiemodel samen te stellen, terwijl de testset wordt gebruikt om de prestaties verder te beoordelen.

De standaard apneu-hypopneu-index (AHI) van PSG wordt gebruikt om SAHS te diagnosticeren. Volgens de regels van de American Academy of Sleep Medicine (AASM) wordt apneu gedefinieerd als een daling van het luchtstroomsignaal groter dan of gelijk aan 90% ten opzichte van de basislijn die ten minste 10 seconden duurt, terwijl hypopneu wordt gedefinieerd als een daling groter dan of gelijk aan 50 seconden. % gedurende ten minste 10 s vergezeld van een desaturatie groter dan of gelijk aan 3% en/of een opwinding. Proefpersonen met een AHI >= 10 events per uur (e/h) worden gediagnosticeerd als lijdend aan SAHS.

Voor ambulante NPO wordt een draagbare pulsoximeter (WristOX2 3150, Nonin) gebruikt. NPO wordt de dag direct voor of na de PSG bij de patiënt thuis uitgevoerd. Patiënten worden toegewezen om de NPO-studie voor of na PSG in het ziekenhuis willekeurig uit te voeren. Daarnaast wordt gelijktijdig met de PSG oximetrie uitgevoerd door middel van de draagbare pulsoximeter. Daarom heeft elke patiënt 3 oximetrische opnames: (i) SpO2 van onbewaakte draagbare monitoring thuis, (ii) SpO2 van bewaakte draagbare monitoring in het ziekenhuis en (iii) SpO2 van bewaakte standaard PSG in het ziekenhuis.

SpO2 wordt geregistreerd met een bemonsteringsfrequentie van 1 Hz. Alle SpO2-opnamen worden opgeslagen in aparte bestanden en offline verwerkt. Er wordt een automatische signaalvoorverwerkingsfase uitgevoerd om artefacten te verwijderen.

Onze methodologie is verdeeld in twee fasen: kenmerkextractie en patroonherkenning. Oximetrische opnames worden geparametriseerd door middel van 16 kenmerken uit vier subsets van kenmerken om de initiële kenmerkenset samen te stellen op basis van oximetrie: tijddomeinstatistieken, frequentiedomeinstatistieken, conventionele spectrale metingen en niet-lineaire kenmerken. Alle kenmerken worden berekend voor elke hele nachtelijke opname.

• Kenmerken 1 tot 4. Momenten van de eerste tot vierde orde (M1t - M4t) in het tijdsdomein: rekenkundig gemiddelde (M1t), variantie (M2t), scheefheid (M3t) en kurtosis (M4t) worden toegepast om centrale tendens, hoeveelheid respectievelijk dispersie, asymmetrie en peakedness.
• Kenmerken 5 t/m 8. Momenten van de eerste tot vierde orde (M1f - M4f) in het frequentiedomein.
• Kenmerk 9. Mediane frequentie (MF), die wordt gedefinieerd als de component die 50% van het signaalvermogen omvat.
• Kenmerk 10. Spectrale entropie (SE), een stoorniskwantificator die verband houdt met de vlakheid van het spectrum.
• Kenmerk 11. Totaal spectraal vermogen (PT), dat wordt berekend als het totale gebied onder de PSD.
• Kenmerk 12. Piekamplitude (PA) in de apneufrequentieband, het lokale maximum van de spectrale inhoud in het frequentiebereik 0,014 - 0,033 Hz.
• Kenmerk 13. Relatief vermogen (PR), wat de verhouding is van het gebied dat onder de PSD is ingesloten in de apneufrequentieband tot het totale signaalvermogen.
• Functie 14. Sample entropy (SampEn), die onregelmatigheden in tijdreeksen kwantificeert, met grotere waarden die overeenkomen met meer onregelmatige gegevens.
• Kenmerk 15. Centrale tendensmeting (CTM), die een variabiliteitsmaat geeft uit tweede orde verschilplots.
• Kenmerk 16. Lempel - Ziv-complexiteit (LZC), een maat voor complexiteit gekoppeld aan de snelheid van nieuwe deelreeksen en hun herhaling langs het signaal.

De tweede fase komt overeen met regressieanalyse, die tot doel heeft een analytische uitdrukking te geven voor de AHI als functie van de geëxtraheerde kenmerken. Er wordt een multilayer perceptron (MLP) neuraal netwerk gebruikt. MLP-netwerken zijn modellen voor het uitdrukken van kennis met behulp van een connectionistisch paradigma dat is geïnspireerd op het menselijk brein. Ze zijn samengesteld uit meerdere eenvoudige eenheden of neuronen die perceptrons worden genoemd. Perceptrons zijn gerangschikt in verschillende onderling verbonden lagen. Elke netwerkverbinding tussen twee van hen is gekoppeld aan een netwerkadaptieve parameter of gewicht. MLP-netwerken met een enkele verborgen laag bestaande uit niet-lineaire perceptrons (dwz met een niet-lineaire activeringsfunctie) worden geïmplementeerd omdat ze in staat zijn tot universele benadering. De voorgestelde regressietaak heeft tot doel een 1-D continue variabele te benaderen die de AHI vertegenwoordigt. Er is dus een enkele uitvoereenheid met een lineaire activeringsfunctie vereist.