دیابت نوع 2 و آپنه خواب (2)
برای «با هر نفس»، دبی سنزیپر، خبرنگار پروپابلیکا و مایکل دی. صلاح، مایکل کورش و ایوان رابینسون-جانسون، خبرنگاران پست-گازت، با هم همکاری کردند تا افشا کنند که چگونه شرکت قدرتمند جهانی فیلیپس رسپیرونیکز، هزاران شکایت در مورد یک نقص خطرناک در دستگاههای تنفس محبوب خود را در طول یک دهه پنهان کرده است. این مجموعه شامل بیش از ۸۰ ساعت ضبط پلیسومنوگرافی (PSG) در طول خواب است. مجموعه دادهها رسماً توسط ارائهدهنده به دو مجموعه تقسیم میشوند: یک مجموعه منتشر شده از ۳۵ ضبط و یک مجموعه نگه داشته شده از ۳۵ ضبط. پس از حذف دادههایی با ضربان قلب غیرمنطقی، مجموعه منتشر شده شامل ۱۶۸۸۸ بخش و مجموعه نگه داشته شده شامل ۱۷۱۲۰ بخش است. برای مجموعه دادههای آپنه-ECG، ما تمام مدلها، از جمله روش پیشنهادی ConCAD و روشهای معیار، را روی مجموعه دادههای منتشر شده آموزش میدهیم و آنها را روی مجموعه دادههای نگه داشته شده آزمایش میکنیم. برای مجموعه داده MIT-BIH PSG، از اعتبارسنجی متقابل 10-fold برای بررسی عملکرد استفاده میشود زیرا هیچ مجموعه آموزشی و آزمایشی از پیش تعریف شدهای وجود ندارد. بنابراین، بخشهای 1 و 5 دقیقهای را در مجموعه داده Apnea-ECG و بخشهای آزمایشی 0.5 و 2.5 دقیقهای را در مجموعه داده MIT-BIH PSG بررسی خواهیم کرد. هر بخش از دادههای ECG 1 دقیقهای توسط متخصص به عنوان آپنه یا رویداد عادی حاشیهنویسی میشود.
دادههای ECG. ما بهترین عملکرد آنها را که شامل 6 لایه کانولوشنی است، برای مقایسه خود اتخاذ میکنیم. این مدل از یک استخراجکننده ویژگی مبتنی بر CNN برای یادگیری ویژگیهای عمیق از دادههای خام ECG استفاده میکند و سپس اهداف را توسط چندین لایه کاملاً متصل طبقهبندی میکند. مدل مبتنی بر CNN با یک لایه ادغام جدید برای تشخیص مستقیم آپنه خواب از دادههای ECG پیشنهاد شده است و ما آن را با روش پیشنهادی خود نیز مقایسه میکنیم. این سؤالات در مورد خواب سالها بعد، زمانی که من در دهه 20 سالگیام بودم، باقی ماند. بنابراین سرانجام تصمیم گرفتم تحقیق کنم. به جای استفاده از الحاق ساده، یک مکانیسم توجه متقابل برای ترکیب مشارکتی ویژگیهای ECG، RRI و RPE پیشنهاد شده است. یک الحاق ساده برای ترکیب ویژگیهای ECG، RRI و RPE استفاده میشود. علاوه بر این، میتوانیم ببینیم که روشهای یادگیری عمیق میتوانند به صورت تطبیقی ویژگیها را از طول ورودی متفاوتی یاد بگیرند، در حالی که روشهای یادگیری ماشین با ویژگیهای دستساز نسبت به تغییر طول ورودی حساستر هستند.
در جدول 2، همچنین میتوانیم با استفاده از تلفات ترکیبی پیشنهادی، که از تلفات CE و تلفات SC بهره میبرد، بهبود بیشتری را مشاهده کنیم. ما همچنین چارچوب پیشنهادی را گام به گام بررسی میکنیم تا اثربخشی هر مرحله را در جدول 2 نشان دهیم. میتوانیم ببینیم که اگر به سادگی ویژگیهای عمیق را با ویژگیهای متخصص الحاق کنیم، عملکرد میتواند بدتر شود، زیرا برخی از ویژگیها به مدل کمک میکنند تا قضاوت بهتری را ممکن سازد، در حالی که برخی دیگر احتمالاً به عنوان نویز عمل میکنند و در نتیجه منجر به خطاهای بیشتر میشوند. امتیاز F1 میتواند به وضوح کیفیت مدل را در زمانی که مجموعه دادهها نامتعادل است نشان دهد. نتایج در شکل 3 بر اساس امتیاز کلان F1 نشان داده شده است. در این مقاله، ما بیشتر در مورد چگونگی ارتباط فیبریلاسیون دهلیزی (AFib) و آپنه خواب توضیح خواهیم داد. به نوزاد خود هنگام خواب بیش از یک لایه نپوشانید که یک بزرگسال در همان محیط به آن نیاز دارد. سوال من این است که من خواندهام/شنیدهام که برای دریافت بازنشستگی پزشکی، باید توسط AF 30٪ امتیاز کسب کنید. موضع آنها این است که OSA باید از فهرست بیماریهای مزمن پزشکی برای برنامههای دولتی حشیش پزشکی حذف شود.
از آنجایی که به نظر میرسد مودافینیل راه حل بسیار خوبی برای مشکل خوابآلودگی است، اسکمل میگوید نگران است که افرادی که دلایل پزشکی واقعی برای خوابآلودگی خود، مانند آپنه خواب، دارند، به جای ارزیابی مناسب توسط پزشکان خود، دارو مصرف کنند. او ممکن است بخواهد بعد از شب آزمایش خواب، مرخصی بگیرد. با این حال، من به جراحی فکر میکنم تا ببینم آیا ممکن است کمکی کند یا خیر. میتوانیم ببینیم که از دست دادن ترکیبی به خوشهبندی فشردهتر موارد از همان کلاس کمک میکند، در حالی که نمایش با از دست دادن CE پراکندهتر است. ما همچنین فکر میکنیم که ماژول توجه با تمرکز بر بخشهایی از ویژگیها هنگام افزایش توافق بین نمونهها در جفتهای مثبت و تشویق تفاوت بین نمونهها در جفتهای منفی، به یادگیری مقابلهای کمک میکند. این ماژول مملو از ویژگیهای فراوانی است که به کاربران CPAP بدون نیاز به دستگاه بزرگتر، سود میرساند. برای تمریناتی که تخمین خودکار ارائه نمیشود – مانند تمرینات قدرتی – کاربران همچنان میتوانند در پایان هر تمرین، امتیاز تلاش را وارد کنند. علاوه بر این، خطای ترکیبی، وظایف طبقهبندی را با دادههای برچسبگذاری شده آموزشی محدود امکانپذیر میکند. خطای ترکیبی با ارتقای مدل برای یادگیری نمایشهای کلیتر و متمایزکنندهتر ویژگیها در صورتی که مدل با یادگیری ویژگیهایی با تمایز بیش از حد، در دادههای آموزشی بیشبرازش داشته باشد، عملکرد را افزایش میدهد.
