23510

تشخيص آپنه خواب انسدادي مبتني بر سيگنالECG

كارشناسي ارشد

مهندسي پزشكي

96

99/12/23

دكتر احمد آيت الهي

برق

يكي از شايع¬ترين اختلالات خواب، آپنه خواب است. بيماري آپنه خواب يك بيماري نسبتا شايع بوده كه در اثر وقفه¬هاي تنفسي در هنگام خواب شبانه ايجاد مي¬گردد. تحقيقات نشان داده است كه با كنترل و پيش¬گيري از وقفه¬هاي تنفسي مي¬توان از عوارض اين بيماري جلوگيري نمود. در حال حاضر، استاندارد اصلي تشخيص آپنه خواب پلي¬سومنوگرافي مي¬باشد. اين وسيله با ثبت فعاليت¬هاي مختلف از جمله الكتروانسفالوگرام ، الكترواكولوگرام ، الكتروميوگرافي ، الكتروكارديوگرام ، اكسي¬متري ، جريان هوا و فعاليت¬هاي تنفسي اطلاعات مهمي را فراهم مي¬كند و با استفاده از آن مي¬توان شدت اين بيماري را ارزيابي كرد. البته اين تست تشخيصي بسيارگران قيمت و زمان¬بر است. علاوه بر اين، دسترسي به كلينيك¬هاي خواب به راحتي امكان¬پذير نمي¬باشد، تشخيص اين بيماري با استفاده از سيگنال¬هاي ساده¬تر مي¬تواند بسيار ارزشمند باشد چرا كه ثبت آن¬ها با سهولت بيشتر و بدون نياز به مكان¬هاي خاصي براي ثبت (نظير كلينيك¬هاي خواب) امكان¬پذير است. اخيرا تلاش¬هاي زيادي براي تشخيص اين بيماري با استفاده از تعداد سيگنال¬هاي كمتري نسبت به PSGتوسط محققين صورت گرفته ¬است. هدف از انجام اين پژوهش تشخيص و طبقه¬بندي خودكار آپنه خواب انسدادي (OSA) بر اساس اعمال الگوريتم¬هاي طبقه¬بندي كننده مي¬باشد. در اين پژوهش دو روش جديد براي تشخيص و طبقه¬بندي خودكار وقايع آپنه و غيرآپنه ارائه شد. به منظور ارزيابي روش¬هاي پيشنهادي از پايگاه داده¬ي فيزيونت Apnea-ECGكه شامل 70ثبت از سيگنال¬هاي تك ليد ECGاست، استفاده شد. در روش اول ابتدا در قسمت پيش¬پردازش يك روش خودكار براي تشخيص و حذف پنجره¬هاي نويزي پياده¬سازي شد. ويژگي پيشنهادي براساس الگوريتم تجزيه حالت تجربي¬ (EMD)استخراج شده. علاوه بر اين ، ويژگي¬هاي استخراج شده، با روش¬هاي مختلف يادگيري ماشين طبقه بندي مي¬شوند. سپس، از الگوريتم¬هاي تكاملي جهت بهبود كارايي¬MLPNN در تشخيص¬OSA¬، استفاده شده است، كه الگوريتم بهينه¬سازي ازدحام ذرات (PSO)بالاترين عملكرد در بين ساير روش¬هاي استفاده شده،را داشته است. در روش دوم ابتدا در مرحله پيش¬پردازش سيگنال ECGبه بخش¬هاي 2ثانيه¬اي تقسيم شده، سپس از الگوريتم RP براي تبديل سيگنال به تصاوير دو بعدي، استفاده شده است. در نهايت از يادگيري انتقال براي انطباق شبكه¬هاي عصبي كانولوشني عميق(DCNN) از پيش آموزش ديده براي پيداكردن مناسب ترين روش بهينه براي طبقه¬بندي آپنه خواب انسدادي (OSA) از سيگنال¬الكتروكارديوگرام (ECG) استفاده شده است.

1400/02/26

Diagnosis of obstructive sleep apnea based on ECG signal

1/1/1900 12:00:00 AM

One of the most common sleep disorders is sleep apnea. Sleep apnea is a relatively common condition caused by sleep apnea. Research has shown that by controlling and preventing respiratory arrest, the complications of this disease can be prevented. At present, the main standard for diagnosing sleep apnea is polysomnography. This device provides important information by recording various activities such as electroencephalogram, electroacogram, electromyography, electrocardiogram, oximetry, air flow and respiratory activities, and can be used to assess the severity of the disease. Of course, this diagnostic test is very expensive and time consuming. In addition, access to sleep clinics is not easy, diagnosis of the disease using simpler signals can be very valuable because they are easier to register and without the need for special places to register (e.g. Sleep clinics) is possible. Recently, many attempts have been made by researchers to diagnose the disease using fewer signals than PSG. The aim of this study was to automatically detect and classify obstructive sleep apnea (OSA) based on the application of classification algorithms. In this study, two new methods for automatic diagnosis and classification of apnea and non-apnea events were presented. The Apnea-ECG physiotherapy database, which contains 70 registrations of single-lead ECG signals, was used to evaluate the proposed methods. In the first method, in the preprocessing section, an automatic method for detecting and removing noise windows was implemented. The proposed feature is extracted based on the experimental state analysis (EMD) algorithm. In addition, the extracted features are classified by different machine learning methods. Then, evolutionary algorithms have been used to improve the performance of MLPNN in OSA detection, with the Particle Swarm Optimization (PSO) algorithm having the highest performance among the other methods used. In the second method, in the preprocessing stage, the ECG signal is first divided into 2-second sections, then the RP algorithm is used to convert the signal into two-dimensional images. Finally, transmission learning for adaptation of pre-trained deep conduction neural networks (DCNNs) has been used to find the most appropriate method for classifying obstructive sleep apnea (OSA) using an electrocardiogram (ECG) signal.