چگونه به آنجا رسیدیم. تاریخچه آپنه خواب از طریق توییتها آشکار شد
شایان ذکر است که پیکهای R در ECG SA دامنه بسیار کمتری نسبت به ECG غیر SA دارند. سیگنال ECG اغلب توسط منابع نویز متنوعی مانند تداخل 50/60 هرتز از خطوط برق، سیگنال EMG از عضلات، مصنوعات حرکتی و تغییرات در تماس الکترود-پوست آلوده میشود. برای کاهش مصنوعات نویز و سیگنال، ابتدا یک فیلتر میانگذر پاسخ ضربه محدود (FIR) را به سیگنال اعمال کردیم. سیگنالها قبل و بعد از عبور از فیلتر میانگذر به ترتیب در شکل 2a و شکل 2b نشان داده شدهاند. شکل 5a و شکل 5b محل پیکهای R و S یافت شده توسط الگوریتم شرح داده شده در بالا را به ترتیب روی سیگنال فیلتر شده و سیگنال خام مربوطه نشان میدهند. توزیع ویژگیهای مرتبط با پیک R و ویژگیهای مرتبط با پیک S به ترتیب در شکل 3 و شکل 4 نشان داده شده است. تا آنجا که ما میدانیم، این مطالعه اولین مطالعهای است که ویژگیهای مرتبط با پیکهای S را بازیابی کرده و سپس آنها را به یک مدل CNN وارد میکند تا بین ECG SA و غیر SA تمایز قائل شود. این مطالعه افزایش قند خون، سطح چربی، هورمونهای استرس و فشار خون را در بیماران مبتلا به آپنه انسدادی خواب – وضعیتی که 20 تا 30 درصد از بزرگسالان را تحت تأثیر قرار میدهد – نشان داد. این مطالعه دقت 89.4٪، حساسیت 89.8٪ و ویژگی 89.1٪ را به دست آورد.
در این مطالعه، برای ارزیابی عملکرد طبقهبندیکننده یادگیری ماشین، دقت، حساسیت، ویژگی و امتیاز F1 را به عنوان معیارهای ارزیابی در نظر میگیریم. مدل ما به دقت طبقهبندی 91.13٪، حساسیت 92.58٪ و ویژگی 88.75٪ دست یافت. در تشخیص SA در هر قطعه، آنها به دقت طبقهبندی 84.5٪ دست مییابند. برای فواصل RR غیرطبیعی ناشی از تشخیص قلههای R کاذب، فواصل RR در یک پنجره کشویی با حد پایین مقایسه شده و با استفاده از روشهای میانگینگیری یا ادغام اصلاح میشوند. برای فواصل RR نامنظم ناشی از تشخیص موج R از دست رفته، فواصل RR در پنجره فعلی به چندین مقدار مساوی تقسیم میشوند یا بر اساس معیارهای مشخص شده با پنجره همسایه میانگینگیری میشوند. از آنجایی که فواصل RR نامنظم مشکوک میتواند ناشی از پیکهای R کاذب یا پیکهای R از دست رفته باشد، یک حد پایین و یک حد بالا بر اساس محدوده فیزیولوژیکی فواصل RR تعریف میشوند تا بین این دو نوع داده غیرقابل تفسیر تمایز قائل شوند. شواهدی وجود دارد که نشان میدهد اکسیژن میتواند به افرادی با بهره حلقه بالا اما ویژگیهای حلقی با شدت کمتر کمک کند، اما نه لزوماً در همه انواع و موارد.
این رویکرد از یک رمزگذار خودکار پراکنده برای یادگیری ویژگیها استفاده کرد که سپس به دو نوع طبقهبندیکننده (SVM و ANN) داده شدند. به منظور تشخیص بخشهای ECG در بیماران مبتلا به SA، ویژگیهای غیرطبیعی سیگنال ECG استخراج و به یک طبقهبندیکننده یادگیری ماشین داده میشوند. جدول 2 جزئیاتی در مورد تعداد بخشهای سیگنال ECG 1 دقیقهای شناسایی شده با و بدون SA در مجموعههای آموزشی و آزمایشی ارائه میدهد. سیگنال ECG به بخشهای 1 دقیقهای تقسیم و برچسبگذاری میشود. اگر در آن دقیقه یک رویداد آپنه رخ دهد، یک بخش سیگنال به عنوان دارای SA شناسایی میشود. خروپف یک علامت رایج است که زمانی رخ میدهد که راه هوایی شما تا حدی توسط بافتهای زبان و گلو مسدود شده باشد. بافت اضافی گلو به عقب میافتد و توانایی تنفس شما را مسدود میکند. این شامل عضلاتی میشود که به باز نگه داشتن گلو کمک میکنند تا هوا بتواند به ریهها جریان یابد. اگر به پشتیبانی نیاز دارید، تیم مراقبتهای بهداشتی شما میتواند به شما در ایجاد یک برنامه کمک کند. به عنوان آزمایش نمونه اولیه، تیم حسگر هیدروژل را با رنگ فلورسنت حساس به اکسیژن جاسازی کرد.
EMG آزمایشی است که در آن حرکات عضلات در طول خواب ثبت میشود. حسگرها امواج مغزی، حرکات پا و بازو، فعالیت عضلات، ضربان قلب و الگوهای تنفس را ثبت میکنند. علاوه بر علائم چشمی، بیماری تیروئید نیز میتواند باعث تغییراتی در الگوهای خواب شما شود. تسکین درد چشم قبل از خواب میتواند راهی عالی برای آرامش پس از یک روز طولانی خیره شدن به صفحه نمایش باشد. این امر به ویژه در صورتی که وحشت شبانه شما را در معرض خطر قرار دهد یا بر توانایی شما در بیدار ماندن در طول روز تأثیر بگذارد، مهم است. اگر آلرژی دارید، یک تشک ضد حساسیت علائم شما را در شب تشدید نمیکند. ثبت ECG به بخشهای 5 دقیقهای تقسیم میشود، سپس پیک R تشخیص داده میشود. در این کار، ما نه تنها پیک R را شناسایی میکنیم، بلکه موقعیت پیک S را نیز تعیین میکنیم و نشان میدهیم که استفاده از پیک S عملکرد مدل را افزایش میدهد. پس از آن، از یک شبکه عصبی کانولوشن (CNN) مبتنی بر الگوریتم یادگیری عمیق برای بهبود عملکرد طبقهبندی استفاده میشود. در حالی که مطالعات اخیر به دنبال استفاده از سیگنالهای ECG به عنوان ورودی مستقیم به مدلهای یادگیری عمیق بودهاند، تحقیقات با استفاده از ویژگیهای دستساز به دلیل شفافیت و قابلیت تفسیر آن، پتانسیل توسعه را ارائه میدهد. تحقیقات مختلفی از دادههای ECG برای شناسایی اپیزودهای SA استفاده میکنند که برخی از آنها از تکنیکهای سنتی یادگیری ماشین مبتنی بر مهندسی ویژگی استفاده میکنند.
