چگونه بهترین فروشگاه لوازم CPAP را برای نیازهای خود پیدا کنید (2)
پیشبینی با مدل M1 به 6534116 ضرب و 656647 جمع نیاز دارد. 1 یا -1. بنابراین، پیشبینی با مدل M3 به 4766 ضرب و 6301530 جمع نیاز دارد. پیشبینی با مدل M4 تقریباً به 708116 ضرب و 717197 جمع نیاز دارد. وقتی M2 در مقایسه با M1 در لایههای کانولوشن و لایههای متراکم 80٪ پراکنده باشد، میتوانیم تقریباً تعداد ضربهای مورد نیاز را 1312232 و جمعها را 1325763 محاسبه کنیم. وقتی پراکندگی 70٪ باشد، تعداد ضربهای مورد نیاز 1964936 و جمعها 1977467 است. وقتی پراکندگی مدل 60٪ باشد، مدل به طور مؤثر به 2617676 ضرب و 2630207 جمع برای پیشبینی نیاز دارد. عملکرد چهار مدل (M2 با ۸۰٪ دقت، ویژگی و حساسیت) در شکل ۴ مقایسه شده است. پارامترهای عملکرد همه مدلها در جدول II به تفصیل آمده است. برای مدل هرس شده، عملکرد را زمانی که پراکندگی مدل نهایی در ۵۰٪، ۶۰٪، ۷۰٪ و ۸۰٪ است، مطالعه میکنیم. روش هرس کردن، پیچیدگی مدل را با افزایش پراکندگی لایههای کانولوشن و لایه کاملاً متصل به سطح پراکندگی مطلوب کاهش میدهد.
ما ۳ استراتژی را برای کاهش اندازه مدل تجزیه و تحلیل میکنیم تا آن را برای محیطهای با محدودیت منابع مناسب کنیم و عملکرد را بین اینها مقایسه کنیم. سیاستهای شرکت: هر تشک حداقل یک دوره آزمایشی ۱۰۰ شب و ۱۰ سال گارانتی دارد، بنابراین میتوانید مطمئن شوید که مناسب است. با این حال، میتوانیم با محاسبه تعداد ضربها و جمعها با اعداد غیر صفر، سود ناشی از هرس کردن را تخمین بزنیم. پیشبینی با مدل هرس شده M2 به همان تعداد ضربها و جمعها مانند M1 نیاز دارد. AHI تعداد دفعاتی را که تنفس شما در هنگام خواب متوقف یا مختل شده است، اندازهگیری میکند. این اتفاق ممکن است بارها در طول شب در ساعت رخ دهد. خروپف ممکن است اولین نشانه این باشد که مغز شما در طول خواب شبانه آنچه را که نیاز دارد دریافت نمیکند! این آزمایش شبانه، پارامترهای فیزیولوژیکی مختلفی را در طول خواب، از جمله الگوهای تنفس، سطح اکسیژن، ضربان قلب و فعالیت مغز، کنترل میکند. یک روش تشخیصی سنتی، که به عنوان پلیسومنوگرافی (PSG) شناخته میشود، نیاز دارد که بیمار یک شب در آزمایشگاه با ابزارهایی از حسگرها/الکترودهای متعدد برای ردیابی پارامترهای فیزیولوژیکی مختلف مرتبط با خواب باشد. این مدلها را میتوان برای تشخیص آپنه خواب به صورت ثانیه به ثانیه برای هر بیماری با حداقل تنظیم استفاده کرد.
برخلاف سایر کارها با وضوح تشخیص تا ۱ دقیقه، سیستم توسعهیافته تشخیص رویداد را به صورت ثانیه به ثانیه انجام میدهد. از نتایج میتوان نتیجه گرفت که مدلهای M1، M2 و M4 برای تشخیص آپنه ثانیه به ثانیه مناسب هستند و M3 نیاز به بررسی بیشتر دارد. اگر کسی در خانه شما میتواند شما را در طول خواب تماشا کند، از او بخواهید الگوهای تنفسی شما را مشاهده کند تا ببیند آیا تنفس شما متوقف میشود یا نفس نفس میزنید، زیرا اینها نشانههای آپنه خواب هستند. همچنین از دریافتکنندگان غیرمجاز کلید مخفی، صرف نظر از موقعیت مکانی یا آگاهی از الگوهای تنفسی کاربر، جلوگیری میکند. تعهد فازی از الگوهای تنفسی کاربر برای ایجاد یک کلید مخفی مشترک بین PRMS و تلفن همراه استفاده میکند. JADE-ICA به PRMS اجازه میدهد الگوهای منحصر به فرد تنفس یک فرد را از یک محیط چند نفره شناسایی کند. (میزان موفقیت ۹۰٪) جفت شدن دستگاه در یک محیط پر سر و صدا و در برابر مهاجمی که از اطلاعات زمینهای آگاهی کامل دارد، مقاوم است. مدل باینری شده M3 روی کل مجموعه آموزشی آموزش داده شد و به طور همزمان روی مجموعه اعتبارسنجی برای هر دوره اعتبارسنجی شد.
مدل M3 دقت ۷۵.۵۹٪، ویژگی ۷۵.۹۲٪ و حساسیت ۶۳.۲۳٪ را در مجموعه آزمایشی متشکل از دادههای همه بیماران نشان داد. روش پیشنهادی به دقت ۹۹.۵۶٪، مدل هرس شده به دقت ۹۷.۳۴٪، مدل باینری شده به دقت ۷۵.۵۹٪ و مدلهای مختص بیمار به دقت متوسط ۹۷.۷۹٪ دست یافتند. مطالعات آینده بر توسعه مدلهای بسیار کوچکتر از طریق تقطیر دانش با استفاده از مدل مورد بحث در این مقاله، گام دیگری است. این کار همچنین بر تجزیه و تحلیل فیلترهای آموخته شده توسط لایههای ۱D-CNN برای توضیح فرآیند استخراج ویژگی و تأثیر آن بر عملکرد مدل تمرکز خواهد کرد. از ۱D-CNN برای یادگیری ویژگیهای لازم برای تشخیص رویداد استفاده میشود. عملکرد مدل تشخیص آپنه خواب مبتنی بر ۱D-CNN مورد بحث در جدول ۴ با عملکرد الگوریتمهای تشخیص آپنه خواب پیشرفته مقایسه شده است. عملکرد مدل هرس شده از نظر دقت، ویژگی و حساسیت در سطوح مختلف پراکندگی در شکل 3 نشان داده شده است. همانطور که انتظار میرفت، عملکرد با افزایش سطوح پراکندگی کاهش مییابد و بنابراین برای تعیین سطح پراکندگی بهینه، به یک بدهبستان بین مصرف توان/منابع و عملکرد نیاز است.
