Automatisk estimering av apné-hypopné-indeksen ved å bruke nevrale nettverk for å oppdage søvnapné

Emner som studeres er rekruttert fra søvnenheten til "Hospital Universitario Río Hortega" (HURH) fra Valladolid (Spania). Alle forsøkspersoner er avledet til søvnenheten på grunn av mistanke om å lide av SAHS. Hele populasjonssettet deles deretter inn i treningssett og testsett. Treningssettet brukes til å komponere regresjonsmodellen, mens testsettet brukes til å vurdere ytelsen ytterligere.

Standard apné-hypopnea-indeks (AHI) fra PSG brukes til å diagnostisere SAHS. I henhold til American Academy of Sleep Medicine (AASM)-reglene er apné definert som et fall i luftstrømsignalet større enn eller lik 90 % fra baseline som varer minst 10 sekunder, mens hypopné er definert som et fall større enn eller lik 50 % i løpet av minst 10 s ledsaget av en desaturasjon større enn eller lik 3 % og/eller en opphisselse. Personer med en AHI >= 10 hendelser per time (e/t) blir diagnostisert som lider av SAHS.

Et bærbart pulsoksymeter (WristOX2 3150, Nonin) brukes til ambulerende NPO. NPO utføres dagen rett før eller etter PSG hjemme hos pasienten. Pasienter får i oppdrag å utføre NPO-studien før eller etter PSG på sykehus tilfeldig. I tillegg utføres oksymetri samtidig med PSG ved hjelp av det bærbare pulsoksymeteret. Derfor har hver pasient 3 oksimetriske registreringer: (i) SpO2 fra uovervåket bærbar overvåking hjemme, (ii) SpO2 fra overvåket bærbar overvåking på sykehus og (iii) SpO2 fra behandlet sykehusstandard PSG.

SpO2 registreres med en samplingshastighet på 1 Hz. Alle SpO2-opptak lagres til separate filer og behandles offline. Et automatisk signalforbehandlingstrinn utføres for å fjerne artefakter.

Metodikken vår er delt inn i to stadier: funksjonsekstraksjon og mønstergjenkjenning. Oksimetriske opptak parametreres ved hjelp av 16 funksjoner fra fire funksjonsundersett for å komponere det første funksjonssettet fra oksymetri: tidsdomenestatistikk, frekvensdomenestatistikk, konvensjonelle spektralmål og ikke-lineære funksjoner. Alle funksjoner beregnes for hvert hele opptak over natten.

• Funksjoner 1 til 4. Første til fjerde ordens momenter (M1t - M4t) i tidsdomenet: aritmetisk gjennomsnitt (M1t), varians (M2t), skjevhet (M3t) og kurtosis (M4t) brukes for å kvantifisere sentral tendens, mengde av henholdsvis spredning, asymmetri og topphet.
• Har 5 til 8. Første til fjerde ordens øyeblikk (M1f - M4f) i frekvensdomenet.
• Funksjon 9. Medianfrekvens (MF), som er definert som komponenten som utgjør 50 % av signaleffekten.
• Funksjon 10. Spektral entropi (SE), som er en forstyrrelseskvantator relatert til flatheten til spekteret.
• Funksjon 11. Total spektraleffekt (PT), som beregnes som det totale arealet under PSD.
• Funksjon 12. Toppamplitude (PA) i apnéfrekvensbåndet, som er det lokale maksimum for spektralinnholdet i frekvensområdet 0,014 - 0,033 Hz.
• Funksjon 13. Relativ effekt (PR), som er forholdet mellom området som er innelukket under PSD i apnéfrekvensbåndet og den totale signaleffekten.
• Funksjon 14. Sample entropi (SampEn), som kvantifiserer uregelmessigheter i tidsserier, med større verdier som tilsvarer mer uregelmessige data.
• Funksjon 15. Sentralt tendensmål (CTM), som gir et variabilitetsmål fra andreordens differanseplott.
• Funksjon 16. Lempel - Ziv-kompleksitet (LZC), som er et mål på kompleksitet knyttet til frekvensen av nye undersekvenser og deres repetisjon langs signalet.

Det andre trinnet tilsvarer regresjonsanalyse, som tar sikte på å gi et analytisk uttrykk for AHI som en funksjon av de ekstraherte funksjonene. Et multilayer perceptron (MLP) nevralt nettverk brukes. MLP-nettverk er modeller for å uttrykke kunnskap ved å bruke et konneksjonistisk paradigme inspirert i den menneskelige hjernen. De er sammensatt av flere enkle enheter eller nevroner kjent som perceptrons. Perceptrons er ordnet i flere sammenkoblede lag. Hver nettverksforbindelse mellom to av dem er assosiert med en nettverkstilpasningsparameter eller vekt. MLP-nettverk med et enkelt skjult lag sammensatt av ikke-lineære perseptroner (dvs. med en ikke-lineær aktiveringsfunksjon) er implementert siden de er i stand til universell tilnærming. Den foreslåtte regresjonsoppgaven tar sikte på å tilnærme en 1-D kontinuerlig variabel som representerer AHI. Det kreves derfor en enkelt utgangsenhet med en lineær aktiveringsfunksjon.