آزمایشها و تشخیص آپنه خواب
این دو تابع، حذف نویز و تصحیح مقادیر گمشده، میتوانند توسط یک فیلتر دیجیتال پایینگذر در حوزه زمان (از طریق یک هسته کانولوشن یک بعدی مناسب) پیادهسازی شوند. با این حال، مقادیر گمشده ممکن است نیاز به تشخیص و تصحیح/جایگزینی خاصی داشته باشند، مثلاً از طریق درونیابی خطی موضعی، به خصوص هنگامی که به صورت چندتایی رخ میدهند، زیرا آنها فقط «قلههای منفی» در سیگنال نیستند و نمیتوان آنها را با میانگینگیری ساده به طور موثر حذف کرد (معمولاً از فیلتر میانه یا هستههای تشخیص/جایگزینی استفاده میشود). در عمل، تشخیص رویداد OSAHS نیازی به تجزیه و تحلیل مقدار دقیق گرادیان ندارد، بلکه فقط به تجزیه و تحلیل علامت آن (افزایش یا کاهش) نیاز دارد، همانطور که در الگوریتم ۱ مشخص شده است. با این حال، شبهکد در الگوریتم ۳ را میتوان در صورت لزوم به راحتی پیکربندی کرد تا مقادیر گرادیان را به جای فقط علامت ذخیره کند (به متغیر «تغییر» در خط ۳ مراجعه کنید). در مرحله بعد، مرحله ۲ هر صفر اولیه در ابتدا را با اولین مقدار غیر صفر که در سری گرادیان ظاهر میشود، وصله میکند. به طور خلاصه، مراحل ۱-۲ سیگنال اکسیمتر را با حذف نویز و مقادیر از دست رفته از طریق فیلتر پایینگذر خاص، یعنی بدون تغییر آمار فرکانس پایین و متوسط سیگنال اکسیمتر مطابق با تشخیص رویدادهای OSAHS، همانطور که در الگوریتم ۱ توضیح داده شده است، بازیابی و پیشپردازش میکنند. مراحل ۳-۴ سیگنال گرادیان اکسیمتر مربوطه را ایجاد میکنند، در حالی که مرحله ۵ این سری دادههای جدید را برای تجزیه و تحلیل بیشتر به هیستوگرامهای طول اجرا تبدیل میکند.
تعاریف کلی در الگوریتم ۱ معمولاً منجر به روشهای مبتنی بر گرادیان برای تشخیص رویدادهای OSAHS در سیگنال میشود، معمولاً پس از مقداری پیشفیلتر نویز و حذف شاخصهای مقدار تهی. الگوریتم ۴ کل این فرآیند را به صورت شبهکد با جزئیات شرح میدهد. الگوریتم ۳ این دو مرحله را با جزئیات شرح میدهد. الگوریتم ۱ تعاریف معمول برای رویدادهای معتبر OSAHS را بر اساس ردیابی SpO2 و همچنین سطوح شدت مربوطه را بر اساس ردیابی نرخ رویدادها (در هر ساعت) ارائه میدهد. در این مقاله، یک تعریف انتزاعی و مشخصات رسمی برای وظیفه تشخیص رویدادهای OSAHS با آستانه تطبیقی و توصیف شدت ارائه شده است. به جای ردیابی کامل تنفسی از طریق PSG، میتوان از سیگنال اکسیمتری برای تشخیص چنین رویدادهایی با ارجاع استفاده کرد. به طور خاص، رویدادهای نادر با پنج یا کمتر در ساعت به عنوان غیرپاتولوژیک شناخته میشوند، در حالی که بیش از پنج رویداد در ساعت در سطوح افزایش شدت OSAHS به عنوان پاتولوژیک شناخته میشوند. الگوریتم 5 فرآیند تشخیص و ثبت رویدادهای احتمالی OSAHS را در سیگنال علامت گرادیان اکسیمتری (“وضعیت”) بدون استفاده از RLM شرح میدهد، به عنوان مثالی از اینکه چگونه یک برنامه با سربار محاسباتی کم میتواند این کار را انجام دهد. الگوریتم 2 صف پردازش کلی سیگنال فقط اکسیمتری را با توجه به تشخیص رویدادهای OSAHS و توصیف شدت ارائه میدهد.
آپنه خواب در صورت عدم درمان، خطر فشار خون بالا، بیماری قلبی، سکته مغزی، دیابت و خستگی روزانه را افزایش میدهد که کیفیت کلی زندگی را مختل میکند. در بخشهای بعدی، الگوریتم کلی برای آشکارساز رویدادها و توصیف نرخ رویدادها به صورت مدولار ارائه شده است، ابتدا به عنوان یک طرح کلی سطح بالا از صف پردازش و سپس هر یک از مراحل به طور جداگانه. همچنین، این رویکرد این مزیت را دارد که هیچ محدودیتی در طول دقیق اجرای فعلی ندارد، همانطور که الگوریتم ۴ با تنظیم آن روی ۶۰۰ نمونه (به دلیل تعریف RLM استاتیک) انجام میدهد، اگرچه این معمولاً یک مشکل فنی جزئی در پیادهسازیهای نرمافزاری عملی است. مانند همیشه، حداکثر اندازه طول اجرا باید تعریف شود که در این مورد، همانطور که در بالا توضیح داده شد، روی ۶۰۰ نمونه یا ۱ دقیقه در اندازهگیریهای اکسیمتری در زمان واقعی برای نرخ نمونهبرداری نهایی ۱ هرتز (دیجیتالی، پیشپردازششده) تنظیم میشود. این اساساً به این معنی است که هر نرخ افت (گرادیان منفی) در سطح اشباع SpO2 از -۲۴٪ در دقیقه یا واضحتر، ممکن است به عنوان یک رویداد بالقوه آپنه/هیپوپنه برچسبگذاری شود. به طور خاص، یک شبهکد سطح پایین برای الگوریتم پیشپردازش سیگنال خام اکسیمتر، محاسبه فریمهای «افت» و «افزایش» در سریهای زمانی مرتبط، تشخیص رویدادهای معتبر آپنه/هیپوپنه از طریق ردیابی سطح اشباع SpO2 و همچنین محاسبه نرخ رویدادهای مربوطه برای توصیف شدت OSAHS طراحی شده است.
به طور خاص، الگوریتم ۶ موقعیتهای شروع و پایان هر رویداد را تجزیه و تحلیل میکند، جایگاه آنها را در یک بازه زمانی متغیر ۶۰ دقیقهای بررسی میکند و مجموع کل وقایع را در این محدودهها محاسبه میکند. کل بازه زمانی، وضعیت و محدودهها ثبت میشوند و اگر در واقع یک رویداد OSAHS باشد (به مشخصات الگوریتم ۱ مراجعه کنید)، برای پردازش بیشتر به همین صورت علامتگذاری میشود. برای اهداف تشخیص رویدادهای OSAHS، سیگنال اکسیمتری باید انتقالهای نسبتاً روان بین نمونهها را حفظ کند، یعنی هیچ اوج مربوط به نویز یا افت مقدار از دست رفتهای نداشته باشد، در عین حال ویژگیهای فرکانس پایین اصلی خود را که مهمترین محتوای اطلاعاتی مرتبط با OSAHS به آن متکی است، حفظ کند. CFS در درجه اول یک اختلال جسمی است، در حالی که افسردگی یک وضعیت سلامت روان است. بنابراین من تصمیم گرفتم بیماران را با تاریخچه و سرگرمیهایشان معرفی کنم. من از فیلمهای آرشیوی یک درامر حرفهای دوباره استفاده کردم و چند دور شنا در دهه ۷۰ زندگیشان را ضبط کردم. برای من مهم بود که ابتدا شرکتکنندگان را به عنوان افراد – نه تعریف شده توسط وضعیت سلامتیشان – در نظر بگیرم. لازم به ذکر است که اگرچه بهروزرسانی و مقایسه همزمان دو پنجره کشویی (رویدادهای OSAHS ثبتشده در مقابل فریم ۶۰ دقیقهای) نیاز به فرمولبندی الگوریتمی ظریفی دارد، اما شبهکد نهایی در واقع از پیچیدگی محاسباتی کم و بسیار سریع برخوردار است، زیرا شامل محاسبات مبتنی بر رویداد و نه مبتنی بر نمونه است.
