Визначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму
Бічна панель сторінки статті
Основний зміст сторінки статті
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
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
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
