بهترین حالتهای خوابیدن برای خواب راحت (2)
در لایه سوم، گسترش نقشه ویژگی از طریق کانولوشن نقطهای انجام میشود و پس از آن با استفاده از یک لایه جمعآوری میانگین، کاهش ابعاد با استفاده از یک لایه جمعآوری میانگین برای جلوگیری از بیشبرازش انجام میشود. یک کانولوشن نقطهای نهایی ۱x۱ تعداد کانالها را در نقشه ویژگی تنظیم میکند. این شکل، کانولوشن استاندارد را به یک کانولوشن عمقی و یک کانولوشن ۱x۱ به نام کانولوشن نقطه به نقطه تجزیه میکند. مدل MobileNet مبتنی بر کانولوشن تفکیکپذیر عمقی است که نوعی کانولوشن تجزیهشده است. MobileNet برای ساخت یک مدل تشخیص OSA بهینه، همانطور که در شکل ۸ نشان داده شده است، استفاده میشود. لایه اول یک لایه کانولوشن استاندارد با ۳۲ فیلتر با اندازه ۳x۳x۳ است که قبل از انتقال به لایه دوم، نرمالسازی دستهای و فعالسازی ReLU را انجام میدهند. برای افزایش استحکام یافتههای خود، یک تجزیه و تحلیل مقایسهای با مطالعات اخیر که از مدلهای شبکه عصبی سبک مشابه برای تشخیص آپنه انسدادی خواب (OSA) استفاده کردهاند، انجام دادیم. این پیشرفتها پایهای برای کاوش بیشتر در رویکردهای کارآمد و مقیاسپذیر فراهم میکنند و کاربرد مدلهای سبک را در سناریوهای مراقبتهای بهداشتی دنیای واقعی افزایش میدهند. ۲) ما روشی را برای تقویت ورودی از طریق زیرمجموعهای از دادههای مراقبتهای بهداشتی با کیفیت بالا پیشنهاد میکنیم، دادههایی که در غیر این صورت نمیتوانند مستقیماً به پاسخ سوال تحقیق کمک کنند. تحقیقات همچنین نشان میدهد که درمان علائم ADHD با دارو در کودکانی که نارکولپسی نیز دارند، ممکن است دشوارتر باشد.
آیا آپنه خواب درمان قطعی دارد؟
یک مطالعه کوچک در سال ۲۰۱۹ نشان داد که تکنیک تنفس بوتیکو در درمان افراد مبتلا به اختلال انسدادی لوله استاش (ETD) که به دلیل نگرانیهای فشار در گوش میانی باعث ایجاد علائم میشود، مؤثر بوده است. درمان مؤثر آپنه خواب ممکن است به کاهش بیداریهای شبانه کمک کند، که میتواند برخی از علائم RLS را کاهش دهد. این دورهای است که برخی از بزرگسالان ممکن است تصمیم به تشکیل خانواده و والدین شدن بگیرند. هشتاد درصد از بزرگسالان در ایالات متحده. علاوه بر ماتریسهای سردرگمی و معیارهای طبقهبندی، ما عملکرد مدل را با مقایسه مقادیر واقعی AHI با مقادیر پیشبینیشده (محاسبهشده) AHI برای هر مجموعه داده، بیشتر ارزیابی میکنیم. به طور کلی، تحلیل نمودار خطی، نتایج مطلوب به دست آمده از ماتریس درهمریختگی و معیارهای ارزیابی را تقویت میکند و نشان میدهد که این مدل برای طبقهبندی آپنه خواب بر اساس پیشبینی AHI بسیار مؤثر است. آپنه انسدادی خواب در واقع یکی از سه نوع آپنه است. اندازه دسته روی ۳۲ و تعداد دورهها روی ۲۰ تنظیم شده است. دادههای ECG از ۲۵ فرد در مجموعه داده UCDDB به طور یکنواخت به دو حالت خواب (S) و غیرخواب (NS) طبقهبندی شده و سپس برای آموزش به مدل MobileNetV2 وارد میشوند. شکل ۴: دو نمونه از بخشهای ECG با نقاط QRS استخراج شده.
در این مطالعه، ما تشخیص رویدادهای غیرطبیعی تنفسی را با استفاده از دادههای مجموعه داده Apnea-ECG انجام دادیم، به طور خاص بر دو اندازه نمونه مختلف تمرکز کردیم: یک نمونه کوچک ۸ نفره و یک نمونه بزرگتر ۵۰ نفره. مدل ما دقت طبقهبندی بالایی را در تمام مجموعه دادهها نشان داد و به میانگین دقت ۰.۹۷۸ برای تشخیص OSA دست یافت. آپنه خواب انسدادی (OSA) به ویژه در افرادی که صرع مداوم و تشنجهای مکرر دارند، شایع است. تا ۹۴٪ از افراد مبتلا به آپنه خواب انسدادی، خروپف را گزارش میکنند. افرادی که تشخیص آپنه خواب دریافت میکنند، معمولاً صداهای خروپف ایجاد میکنند که با مکث در تنفس، خفگی یا نفس نفس زدن برای هوا همراه است. من برای تأیید ابتلا به آسم، آپنه خواب و مراجعه به جراح مغز و اعصاب به LARMC منتقل شدم. افرادی که با میگرن زندگی میکنند، به طور مداوم خواب ضعیف را قبل و در طول حملات میگرن گزارش میکنند. برای هر فریم، که مربوط به یک بخش ۱ دقیقهای از طیفنگار سیگنال تنفسی مشتق شده از الکتروکاردیوگرام (EDR) است، نتایج طبقهبندی مدل در شکل ۹ نشان داده شده است. از آنجایی که شاخص آپنه-هیپوپنه (AHI) استاندارد طلایی برای تشخیص سندرمهای آپنه خواب (SAS) و سایر اختلالات تنفسی مرتبط با خواب در نظر گرفته میشود، محاسبه دقیق آن بسیار مهم است. در نهایت، یک الگوریتم غربالگری مبتنی بر قانون که برای سیگنالهای تنفسی در پلتفرم MATLAB طراحی شده است، برای محاسبه شاخص AHI برای هر فرد استفاده میشود، که سپس با مقادیر AHI ارائه شده در مجموعه دادهها مقایسه میشود.
درمان آپنه خواب با لیزر فوتونا
ادغام دادههای پیشبینیشده و واقعی AHI (شاخص آپنه-هیپوپنی) از سه پایگاه داده عمومی، ما را قادر ساخت تا منحنیهای پیشبینی جامع AHI و حقیقت زمینی را برای گروهی متشکل از 50 نفر، مطابق شکل 13، بسازیم. تجزیه و تحلیل آماری، همبستگی قوی بین منحنیهای پیشبینیشده و واقعی را با ضریب همبستگی پیرسون 0.8831 نشان داد. این درجه بالای تطابق، بر استحکام مدل پیشنهادی در پیشبینی دقیق مقادیر AHI در مجموعه دادههای متنوع و موارد فردی تأکید میکند و قابلیت کاربرد بالقوه آن را در محیطهای نظارت بر سلامت بالینی و پوشیدنی نشان میدهد. ما یافتههای خود را از PH دو پارامتری گرفته تا ابر نقطهای و منحنیها و تحلیل شکل هندسی خلاصه میکنیم. ماتریسهای سردرگمی نشان میدهند که مدل چقدر خوب بین سطوح مختلف AHI تمایز قائل میشود. از ماتریسهای سردرگمی، میتوان مشاهده کرد که مدل در تمایز بین کلاسهای عادی و شدید در تمام مجموعه دادهها عملکرد خوبی دارد. نتایج این پیشبینیها در شکل 10 ارائه شده است. این مدل عملکرد قوی در تشخیص حالتهای تنفسی در هر فریم و همچنین شناسایی دقیق مراحل خواب نشان داد.
