دیابت چگونه بر خواب تأثیر میگذارد؟
لایه دوم از یک ساختار باقیمانده معکوس استفاده میکند: در ابتدا، یک کانولوشن نقطهای، ابعاد را گسترش میدهد که توسط ReLU6 فعال میشود، و پس از آن یک کانولوشن عمقی با فعالسازی ReLU6 انجام میشود، و در نهایت یک کانولوشن نقطهای با فعالسازی خطی، ابعاد را کاهش میدهد. در لایه چهارم، فعالسازی softmax برای پیشبینیهای طبقهبندی به لایه کاملاً متصل اعمال میشود، که در آن همه نورونها کاملاً متصل هستند و یادگیری از طریق الگوریتمهای رو به جلو و پس انتشار رخ میدهد. MobileNet برای ساخت یک مدل تشخیص OSA بهینه، همانطور که در شکل 8 نشان داده شده است. لایه اول یک لایه کانولوشن استاندارد با 32 فیلتر با اندازه 3x3x3 است که قبل از انتقال به لایه دوم، نرمالسازی دستهای و فعالسازی ReLU را انجام میدهند. فرمولهای این پارامترها در معادلات 1، 2، 3، 4، 5 نشان داده شده است، که در آن TP، FP، TN و FN به ترتیب مثبت واقعی، مثبت کاذب، منفی واقعی و منفی کاذب هستند. در شکل ۱۲، نمودارهای خطی برای هر مجموعه داده ارائه شده است تا تطابق بین مقادیر واقعی AHI و پیشبینیهای مدل در کل مجموعه افراد را تجسم کند. با وجود این نتایج امیدوارکننده، مشاهده کردیم که زمان اجرای مدل همچنان یک چالش است، به خصوص هنگامی که در مجموعه دادههای در مقیاس بزرگ یا محیطهای با محدودیت منابع مستقر میشود.
درمان آپنه خواب با لیزر فوتونا
از ماتریسهای سردرگمی، میتوان مشاهده کرد که مدل در تمایز بین کلاسهای عادی و شدید در تمام مجموعه دادهها عملکرد خوبی دارد. عملکرد مدل با استفاده از معیارهای زیر به صورت کمی ارزیابی میشود: دقت (ACC)، فراخوانی، دقت، امتیاز F1 و میانگین کلان این معیارها در هر چهار کلاس. ما از مقادیر آماری (مانند دقت، صحت، فراخوانی، ویژگی و ROC) برای کمیسازی عملکرد مدل خود استفاده میکنیم. برای افزایش دقت پیشبینی، از مجموعه داده UCDDB استفاده کردیم و مدل خود را برای انجام طبقهبندی مراحل خواب و شناسایی وضعیت تنفسی طبیعی/غیرطبیعی در طول خواب به کار بردیم. متعاقباً، دادههای شبانه هر فرد در مجموعه دادههای Apnea-ECG و MIT-BIH برای پیشبینی مدت خواب به مدل وارد میشود. به طور خاص، ما یک پیشبینی سه کلاسه برای تمایز مراحل خواب و یک طبقهبندی دودویی برای تمایز بین رویدادهای تنفسی طبیعی و غیرطبیعی انجام دادیم. 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 میکردند، انجام دادیم. در این مطالعه، ما تشخیص رویدادهای غیرطبیعی تنفسی را با استفاده از دادههای مجموعه دادههای Apnea-ECG انجام دادیم، به طور خاص با تمرکز بر دو اندازه نمونه مختلف: یک نمونه کوچک ۸ نفره و یک نمونه بزرگتر ۵۰ نفره.
به طور خاص، برای مجموعه دادههای Apnea-ECG، ROC-AUC برابر با ۰.۹۸ بود که نشاندهنده استحکام مدل ما 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. برای محاسبه دقیقتر شاخص AHI، دورههای خواب در این مطالعه به دو حالت خواب (S) و غیرخواب (NS) طبقهبندی میشوند. شکل ۴: دو نمونه از بخشهای ECG با نقاط QRS استخراج شده. بخشهای داده ۱ دقیقهای برای غربالگری رویدادهای تنفسی سودمندتر هستند، در حالی که مراحل خواب معمولاً به بخشهای ۳۰ ثانیهای تقسیم میشوند. بخشهایی که با N1، N2، N3 و N4 برچسبگذاری شدهاند، به عنوان حالتهای خواب (S) در نظر گرفته میشوند. در این مطالعه، دادههای ECG به طور یکنواخت به بخشهای ۱ دقیقهای با یک پنجره کشویی ۳۰ ثانیهای، مانند شکل ۱، تقسیم میشوند. این رویکرد حالتهای خواب را در بر میگیرد و در عین حال از تقسیم رویدادهای تنفسی به دلیل تقسیمبندی جلوگیری میکند. با توجه به توانایی ECG در ثبت اطلاعات تنفسی و خواب، ما توالیهایی را برای فاصله RR، دامنه موج Q، دامنه موج R، دامنه EDR و فواصل اوج EDR به ترتیب با طولهای ۲۰۰، ۲۰۰، ۲۰۰، ۱۰۰ و ۱۰۰ نقطه جمعآوری کردیم.
با توجه به اینکه ابزارهای غربالگری اولیه معمولاً برای تفسیر دادههای تمام شب برای کاربران انفرادی استفاده میشوند، از نظر الگوهای خواب و ویژگیهای تنفسی، بین افراد تفاوت ذاتی وجود دارد. برای هر فریم، که مربوط به یک بخش ۱ دقیقهای از طیفنگار سیگنال تنفسی مشتقشده 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. همانطور که در شکل ۶ نشان داده شده است، این توالیهای ویژگی جمعآوریشده برای طبقهبندی مراحل خواب به یک مدل شبکه عصبی وارد شدند. شکل ۷ تفاوت در استخراج ویژگی بین کانولوشنهای عمقی و نقطهای را نشان میدهد. در لایه سوم، گسترش نقشه ویژگی از طریق کانولوشن نقطهای حاصل میشود و به دنبال آن کاهش ابعاد با استفاده از یک لایه جمعآوری میانگین برای جلوگیری از بیشبرازش انجام میشود. یک کانولوشن نقطهای ۱x۱ نهایی تعداد کانالها را در نقشه ویژگی تنظیم میکند. بر این اساس، ما نقاط ویژگی QRS را از سیگنالهای ECG خالص استخراج کردیم. برای ECG، هر بخش ۶۰ ثانیهای را به شش زیربخش ۱۰ ثانیهای تقسیم کردیم و مقادیر حداکثر و حداقل را از هر کدام استخراج کردیم.
