Автоматическая оценка индекса апноэ-гипопноэ с использованием нейронных сетей для обнаружения апноэ во сне

Испытуемые набираются из отделения сна «Университетской больницы Рио-Ортега» (HURH) из Вальядолида (Испания). Всех испытуемых переводят в отделение сна из-за подозрения на САГ. Весь набор популяции впоследствии делится на обучающий набор и тестовый набор. Обучающий набор используется для составления регрессионной модели, тогда как тестовый набор используется для дальнейшей оценки ее производительности.

Стандартный индекс апноэ-гипопноэ (AHI) от PSG используется для диагностики SAHS. Согласно правилам Американской академии медицины сна (AASM), апноэ определяется как падение сигнала воздушного потока больше или равное 90% от исходного уровня в течение не менее 10 с, тогда как гипопноэ определяется как падение больше или равное 50 % в течение не менее 10 с, сопровождающееся десатурацией более или равной 3% и/или возбуждением. Субъектам с AHI >= 10 событий в час (e/h) ставится диагноз SAHS.

Портативный пульсоксиметр (WristOX2 3150, Nonin) используется для амбулаторного НПО. НПО проводят за день непосредственно до или после ПСГ на дому у больного. Пациенты распределяются для проведения исследования NPO до или после внутрибольничной ПСГ случайным образом. Кроме того, одновременно с ПСГ также проводится оксиметрия с помощью портативного пульсоксиметра. Таким образом, у каждого пациента есть 3 оксиметрические записи: (i) SpO2 из необслуживаемого портативного монитора дома, (ii) SpO2 из портативного монитора с присутствием в больнице и (iii) SpO2 из посещаемого стандартного полисомнографии в больнице.

SpO2 записывается с частотой дискретизации 1 Гц. Все записи SpO2 сохраняются в отдельные файлы и обрабатываются в автономном режиме. Проводится этап автоматической предварительной обработки сигнала для удаления артефактов.

Наша методология разделена на два этапа: извлечение признаков и распознавание образов. Оксиметрические записи параметризуются с помощью 16 функций из четырех подмножеств функций, чтобы составить исходный набор функций оксиметрии: статистика во временной области, статистика в частотной области, обычные спектральные измерения и нелинейные функции. Все функции рассчитываются для каждой ночной записи.

• Признаки с 1 по 4. Моменты от первого до четвертого порядка (M1t - M4t) во временной области: среднее арифметическое (M1t), дисперсия (M2t), асимметрия (M3t) и эксцесс (M4t) применяются для количественной оценки центральной тенденции, количества дисперсия, асимметрия и остроконечность соответственно.
• Функции 5–8. Моменты первого–четвертого порядка (M1f–M4f) в частотной области.
• Признак 9. Средняя частота (MF), которая определяется как составляющая, составляющая 50% мощности сигнала.
• Особенность 10. Спектральная энтропия (SE), которая является квантором беспорядка, связанным с плоскостностью спектра.
• Особенность 11. Суммарная спектральная мощность (PT), которая рассчитывается как общая площадь под PSD.
• Признак 12. Пиковая амплитуда (ПА) в полосе частот апноэ, являющаяся локальным максимумом спектрального состава в диапазоне частот 0,014 - 0,033 Гц.
• Особенность 13. Относительная мощность (PR), представляющая собой отношение площади, заключенной под PSD в полосе частот апноэ, к общей мощности сигнала.
• Функция 14. Выборочная энтропия (SampEn), которая количественно определяет неравномерность временных рядов, при этом большие значения соответствуют более нерегулярным данным.
• Особенность 15. Центральная мера тенденции (CTM), которая обеспечивает меру изменчивости из графиков разностей второго порядка.
• Особенность 16. Сложность по Лемпелю-Зиву (LZC), которая является мерой сложности, связанной со скоростью появления новых подпоследовательностей и их повторением в сигнале.

Второй этап соответствует регрессионному анализу, целью которого является получение аналитического выражения для AHI как функции извлеченных признаков. Используется нейронная сеть многослойного персептрона (MLP). Сети MLP — это модели для выражения знаний с использованием коннекционистской парадигмы, вдохновленной человеческим мозгом. Они состоят из нескольких простых единиц или нейронов, известных как персептроны. Персептроны расположены в несколько взаимосвязанных слоев. Каждое сетевое соединение между двумя из них связано с сетевым адаптивным параметром или весом. Сети MLP с одним скрытым слоем, состоящим из нелинейных персептронов (т. е. с нелинейной функцией активации), реализованы, поскольку они способны к универсальной аппроксимации. Предлагаемая задача регрессии направлена ​​на аппроксимацию одномерной непрерывной переменной, представляющей AHI. Таким образом, требуется один выходной блок с линейной функцией активации.