20975

۲۰۹۷۵

رفع مشكل آپنه ي انسدادي خواب با استفاده از تحريك الكتريكي عملكردي عصب زيرزباني

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

۹۴-۹۵

۱۳۹۷/۱۱/۲۹

دكتر عباس عرفانيان اميدوار

برق

آپنه ي انسدادي خواب يكي از شايع ترين اختلالات مربوط به تنفس و خواب مي باشد كه موجب بروز مشكلات فراوان براي فرد مي گردد. يكي از روش هاي رفع انسداد مجراي تنفسي، تحريك الكتريكي عملكردي عصب زيرزباني است. در اين زمينه پژوهش هاي متفاوتي صورت پذيرفته كه منجر به ساخت سيستم هاي قابل ايمپلنت براي رفع آپنه ي انسدادي گشته است. يك نكته ي قابل توجه در مورد اين سيستم ها آن است كه اعمال تحريك در تمام طول خواب و به ازاي هر عمل دم صورت مي پذيرد كه اين موضوع مي تواند موجب خستگي عضله ي زبان و مصرف زياد باتري سيستم شود. به نظر مي رسد كه اگر تحريك را تنها در هنگام بروز آپنه اعمال نمود، بتوان بر بسياري از مشكلات پيش روي اين سيستم ها غلبه كرد. از سوي ديگر پژوهش هاي متفاوتي براي تشخيص آپنه ي انسدادي خواب صورت پذيرفته است كه همگي سعي در تشخيص قطعات سيگنال شامل آپنه و يا افراد دچار آپنه داشته اند. اما هيچ يك از اين پژوهش ها لحظه ي رخداد انسداد مجراي تنفسي را بصورت زمان-حقيقي تشخيص نداده اند. تشخيص زمان-حقيقي لحظه ي وقوع انسداد مي تواند به-منظور تريگر نمودن تحريك الكتريكي مورد استفاده قرار بگيرد. در اين پژوهش ضمن اينكه اثر تحريك الكتريكي عصب زيرزباني بر روي حيوان رت بررسي شد، در راستاي تحقق كنترل حلقه بسته ي آپنه ي انسدادي خواب، روشي براي تشخيص برخط انسداد مجراي تنفسي حيوان رت ارائه گشت. بدين منظور از سيگنال فوتوپلثيسموگرام ثبت شده از حيوان رت در پنجره هاي 10 ثانيه اي با رزولوشن زماني 1 ثانيه استفاده شد. روش ارائه شده در اين پژوهش بر اين فرض استوار است كه سيستم هاي بيولوژيكي ماهيتي پيچيده و آشوب گونه دارند و درنتيجه سيگنال هاي بيولوژيكي داراي رفتارهايي آشوبي هستند. به كمك اين فرض يك روش جديد بر مبناي شبكه ي عصبي عميق تحت عنوان آناليز ارزيابي بازگشتي عميق ارائه شد و كاربرد آن در تشخيص آپنه ي انسدادي در حيوان رت مورد بررسي قرار گرفت كه در نهايت به مقدار فراخوان و دقتي به ترتيب برابر با 8/87 و 9/80 درصد در روش ارزيابي حيوان-به-حيوان دست يافته شد. همچنين، زمان تاخير براي تشخيص رخداد آپنه نيز مورد ارزيابي قرار گرفت و برابر با 9/2 ثانيه بدست آمد. علاوه بر روش برخط تشخيص آپنه، روش ديگري نيز براي تشخيص غير برخط آپنه بر روي داده هاي انساني مربوط به سايت فيزيونت صورت گرفت. هدف اين روش تشخيص آپنه ي انسدادي در پنجره-هاي يك دقيقه اي از سيگنال الكتروكارديوگرام است كه در نهايت صحت طبقه بندي 4/88 درصد حاصل شد.

1398/06/06

Resolving the Problem of Obstractive Sleep Apnea using Functional Electrical Stimulation of Hypoglossal Nerve

2/18/2020 12:00:00 AM

Obstructive sleep apnea (OSA) is a common condition in which upper airway is completely or partially obstructed during sleep. It can cause frequent arousal from sleep which may increase the risk of many pathological conditions and affect the quality of life. Functional electrical stimulation (FES) of the Hypoglossal nerve is an effective treatment method for OSA patients. Many studies have been conducted on this issue and there exist implantable devices for OSA treatment base on FES techniques. The current OSA treatment implantable devices use respiratory signal for triggering the electrical stimulation and the stimulation is applied during the inspiratory phase of the respiratory cycle. Continually repeating the hypoglossal nerve stimulation for each respiration may result in tongue fatigueness and high battery consuming. An online apnea detection method can provide conditional electrical stimulation which may eliminate the mentioned difficulties. Previous studies have proposed methods for classification of either apnea subjects and/or apnea segments (e.g. one minute segment). These studies are conducted to show the feasibility of apnea diagnosis using HRV and EDR and to improve the diagnosis performance. However, none of these methods have proposed an online apnea event detection method. In this study, the effect of Hypoglossal nerve stimulation was investigated and a novel online obstructive apnea event detection method using heart rate variability (HRV) in rat model of obstructive apnea was proposed, which may lead to closed-loop control of OSA. To reveal the nonlinear behaviors in dynamic of HRV signal, a novel deep recurrence plot analysis (DRQA) is proposed. Deep features were extracted from recurrence plot by the use of some special convolutional filters, followed by an auto-encoder (AE) layer to decrease the feature dimensionality. Finally a recurrent neural network was used as the classification layer to detect the apnea occurrence. To evaluate the performance of the proposed method, sensitivity (the number of true positive per the total number of apnea events) and precision (the number of true positive per the total number of detected apnea events) were reported as 87.8% and 80.9 respectivelly. Furthermore apnea detection time delay was 2.9 sec.