استراتژی نهایی برای آپنه خواب

عملکرد این روش از سایر روش‌های پیشرفته بهتر است، که می‌تواند به یک شبکه CNN یک بعدی مناسب که همراه با روش‌های منظم‌سازی مورد استفاده توسعه داده شده است، و اعتبارسنجی برگشتی که تضمین می‌کند وزن‌های نهایی بر اساس داده‌های آموزشی نیستند، نسبت داده شود و از این طریق از بیش‌برازش جلوگیری شود. اشباع اکسیژن محیطی (SpO2) تخمینی از سطح اشباع اکسیژن در خون است که معمولاً با دستگاه پالس اکسیمتر اندازه‌گیری می‌شود، که غیرتهاجمی است و معمولاً در ساعت‌های هوشمند یافت می‌شود. در این مقاله، یک روش جدید برای تشخیص وقایع آپنه خواب (مکث در تنفس) از سیگنال‌های اشباع اکسیژن محیطی (SpO2) به‌دست‌آمده از دستگاه‌های پوشیدنی مورد بحث قرار گرفته است. به‌طور خاص، ما بخش‌هایی از سیگنال ECG که در سیگنال ECG به‌دست‌آمده با استفاده از eXplainable مشکوک هستند را برجسته خواهیم کرد. این ضبط‌های خواب از ۱۹۷ آزمودنی به‌عنوان بخشی از مطالعه چندمرکزی SIESTA به‌دست آمده‌اند. در بسیاری از موارد، پزشک خواب شما را برای یک دستگاه دندانپزشکی برای کمک به درمان OSA به ما ارجاع می‌دهد. هرچه رویدادهای بیشتری رخ دهد، OSA شدیدتر و احتمال عوارض جانبی بیشتر می‌شود. سوابق بیمار بدون هیچ رویداد آپنه (ucddb008، ucddb011، ucddb013 و ucddb018) کنار گذاشته شدند.

آپنه خواب

شکل 2 نمونه‌ای از پنجره‌های سیگنال را نشان می‌دهد که در آن بیمار آپنه دارد و غیر آپنه است (رکورد ucddb002) و می‌توان مشاهده کرد که چگونه سطح SpO2 در پنجره‌ای که رویداد آپنه را نشان می‌دهد، پایین‌تر است. این یافته نشان می‌دهد که ویژگی‌های مرتبط با پیک S ممکن است نشان‌دهنده تغییر در سیگنال ECG افراد مبتلا به SA باشد و ممکن است در ظرفیت طبقه‌بندی SA و Non-SA نقش داشته باشد. شکل 2: (چپ) پنجره سیگنال SpO2 با برچسب آپنه و (راست) پنجره سیگنال SpO2 با برچسب غیر آپنه. پنجره‌هایی که حاوی مقادیر SpO2 کمتر از 50٪ بودند، به عنوان مصنوعات در نظر گرفته شدند و از مجموعه داده‌ها حذف شدند. ما از سیگنال‌های اشباع اکسیژن محیطی (SpO2) که با نرخ نمونه‌برداری ۸ هرتز برای این شبکه به دست آمده‌اند، استفاده می‌کنیم. این سیگنال‌ها در ۱ ثانیه و با دقت عملکرد ۷۹.۶۱٪ به دست آمده‌اند که منجر به نوآوری این کار می‌شود: ۱. توسعه یک الگوریتم تشخیص آپنه خواب در هر ثانیه از داده‌های اشباع اکسیژن محیطی تک‌لیدی که برای استقرار در ساعت‌های هوشمند مناسب است و وضوح بالاتری نسبت به اکثر روش‌های پیشرفته دارد. در سال ۲۰۰۰، ۸۰۰۰۰۰ تصادف رخ داد که می‌توان تا حدی آنها را به آپنه خواب نسبت داد. از آنجا که درمان‌های دیگری (و بدون دارودرمانی) وجود دارد، بسیاری از بیماران OSA هنوز درمان نشده‌اند.

دستگاه آپنه خواب

دستگاه eXciteOSA برای بیمارانی که آپنه خواب متوسط ​​یا شدید دارند، در نظر گرفته نشده است. مودراهای زیر به طور گسترده برای خواب استفاده می‌شوند. یک تصور غلط رایج وجود دارد که بیماران دارای اضافه وزن و چاق تنها کسانی هستند که دچار آپنه خواب می‌شوند. با این حال، این وضعیت می‌تواند صرف نظر از وزن، جنسیت یا سن، شما را تحت تأثیر قرار دهد. ثبت پلی‌سومنوگرام‌ها پرهزینه است و برای بیماران راحت نیست. پارامترهای عملکرد شبکه‌های هرس‌شده برای سطوح مختلف پراکندگی در شکل 3 نشان داده شده است. همانطور که انتظار می‌رود، عملکرد با افزایش سطوح پراکندگی کاهش می‌یابد و بنابراین می‌توان با تعیین یک موازنه بین مصرف برق/منابع و عملکرد، به سطح پراکندگی بهینه دست یافت. عملکرد شبکه‌های هرس‌شده زمانی که پراکندگی SomnNET بین 10٪ تا 80٪ باشد، مشاهده می‌شود. شبکه هرس‌شده با پراکندگی 80٪، دقت 89.75٪ و شبکه باینری‌شده دقت 68.22٪ را نشان داد. عملکرد شبکه‌های پیشنهادی با چندین الگوریتم پیشرفته مقایسه شده است. همچنین مشاهده می‌کنیم که حساسیت با افزایش پراکندگی به 70٪ و 80٪ افزایش می‌یابد. ممکن است به نظر برسد که اگرچه عملکرد کلی با کاهش دقت کاهش می‌یابد، اما وزن‌هایی که شبکه را بسیار خاص می‌کنند، با افزایش پراکندگی حذف می‌شوند و شبکه را حساس‌تر می‌کنند.

آیا آپنه خواب درمان قطعی دارد؟

اگرچه دقت افزایش می‌یابد، اما وزن‌هایی که باعث حساسیت شبکه می‌شوند، با افزایش پراکندگی به 10٪ در اینجا حذف می‌شوند. در شبکه‌های هرس‌شده، پیچیدگی با افزایش پراکندگی به سطوح مورد نظر در لایه‌های کانولوشن و لایه کاملاً متصل کاهش می‌یابد. SomnNET هرس‌شده، دقت 89.75٪، ویژگی 90.19٪ و حساسیت 73.39٪ را در مجموعه آزمایشی متشکل از داده‌های تمام بیماران با پراکندگی شبکه 80٪ نشان داد. تجربه شما با این بیماران در یک مرکز سرپایی چیست؟ در آینده، انتظار داریم یک ماژول تشخیص SA را در یک برنامه تلفن همراه ادغام کنیم که به بیماران مبتلا به SA هشدار می‌دهد تا آنها را بیدار کند. مدل بهینه برای هر روش آموزشی، نقطه کنترل با بالاترین امتیاز F1 خواهد بود. یک فراخوانی اعتبارسنجی برای ردیابی مجموعه وزن‌هایی که بالاترین دقت اعتبارسنجی را در طول آموزش نشان دادند، انجام شد و این وزن‌ها به عنوان وزن‌های نهایی شبکه انتخاب شدند. با این حال، می‌توان مشاهده کرد که وقتی شبکه 10٪ پراکنده می‌شود، دقت و ویژگی افزایش می‌یابد، اما با کاهش قابل توجه حساسیت همراه است. افزایش هزینه‌های مراقبت‌های بهداشتی و تشخیصی، همراه با افزایش جمعیت مسن، فشار زیادی را بر سیستم‌های مراقبت‌های بهداشتی ما وارد کرده است.