Визначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму

Основний зміст сторінки статті

Аміна Сергіївна Самсоненко
к.т.н. доц. Антон Олександрович Попов

Анотація

Синдром обструктивного апное під час сну (СОАС) є хворобою, що виникає внаслідок повторюваних епізодів зупинки верхніх дихальних шляхів (апное) або їх стиснення (гіпопное), які виникають на рівні фарингею, з збереженою функцією дихальних м'язів. Останнім часом більше уваги приділяється дослідженням того, як ідентифікувати апное за аналізу серцевої діяльності на основі варіабельності серцевого ритму (ВРС). У цій роботі аналіз ВРС для виявлення ознак апное виконується за допомогою різних типів параметрів у часовому і частотному доменах. Застосовано кілька методів шкалювання та зменшення розмірності, таких як аналіз головних компонент, t-розподілене вкладення стохастичної близькості  і рівномірну апроксимацію та проекцію різноманіття. Після цього було навчено низку класифікаторів: k-найближчих сусідів, логістичну регресію, машини опорних векторів, дерево рішень, випадковий ліс і градієнтне підсилення. З використанням даних від 70 пацієнтів з бази даних Apnea-ECG (платформа Physionet) досягнута точність 100% в усіх класифікаторах і методі зменшення розмірності на основі рівномірної апроксимації та проекції різноманіття. Особливістю запропонованого підходу є застосування машинного навчання до параметрів ВРС після зменшення їх розмірності, що може бути використано в реальних умовах для виявлення СОАС.

Блок інформації про статтю

Як цитувати
[1]
А. С. Самсоненко і А. О. Попов, «Визначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму», Мікросист., Електрон. та Акуст., т. 29, вип. 1, с. 297387.1–297387.7, Бер 2024.
Розділ
Електронні системи та сигнали

Посилання

“Sleep apnea - Symptoms and causes - Mayo Clinic.” [Online]. Available: https://www.mayoclinic.org/diseases-conditions/sleep-apnea/symptoms-causes/syc-20377631. [Accessed: 28-Jul-2020]

“Sleep Apnea: What It Is, Causes, Symptoms & Treatment.” [Online]. Available: https://my.clevelandclinic.org/health/diseases/8718-sleep-apnea. [Accessed: 28-Sep-2020]

F. Shaffer and J. P. Ginsberg, “An Overview of Heart Rate Variability Metrics and Norms,” Front Public Health, vol. 5, Sep. 2017, DOI: https://doi.org/10.3389/fpubh.2017.00258

“Heart Rate Variability (HRV): What It Is and How You Can Track It.” [Online]. Available: https://my.clevelandclinic.org/health/symptoms/21773-heart-rate-variability-hrv. [Accessed: 09-Jan-2021]

B. He et al., “The Analysis of How Apnea Influences the Autonomic Nervous System Using Short-Term Heart Rate Variability Indices,” J Healthc Eng, vol. 2020, pp. 1–8, Dec. 2020, DOI: https://doi.org/10.1155/2020/6503715

A. Iwasaki et al., “Screening of sleep apnea based on heart rate variability and long short-term memory,” Sleep and Breathing, vol. 25, no. 4, pp. 1821–1829, Dec. 2021, DOI: https://doi.org/10.1007/s11325-020-02249-0

A. Prabha, A. Trivedi, A. A. Kumar, and C. S. Kumar, “Automated system for obstructive sleep apnea detection using heart rate variability and respiratory rate variability,” in 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1303–1307, DOI: https://doi.org/10.1109/ICACCI.2017.8126021

A. Ramachandran and A. Karuppiah, “A Survey on Recent Advances in Machine Learning Based Sleep Apnea Detection Systems,” Healthcare, vol. 9, no. 7, p. 914, Jul. 2021, DOI: https://doi.org/10.3390/healthcare9070914

T. Penzel, G. B. Moody, R. G. Mark, A. L. Goldberger, and J. H. Peter, “The apnea-ECG database,” in Computers in Cardiology 2000. Vol.27 (Cat. 00CH37163), pp. 255–258, DOI: https://doi.org/10.1109/CIC.2000.898505

“Waveform Database Software Package (WFDB) for Python v4.1.0.” [Online]. Available: https://physionet.org/content/wfdb-python/4.1.0/. [Accessed: 21-Mar-2023]

F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, no. 85, pp. 2825–2830, Oct. 2011, URL: http://jmlr.org/papers/v12/pedregosa11a.html