گول این کلاهبرداری در مورد آپنه خواب را نخورید
شبکههای عصبی کانولوشن ما بر اساس دو معماری اصلی ساخته شدهاند. علاوه بر این، ما نشان میدهیم که چارچوب پیشنهادی به نتایج پیشرفتهای در دو مجموعه داده ECG عمومی دست مییابد. نتایج در شکل 3 از نظر امتیاز ماکرو F1 نشان داده شده است. تغییرات رفتاری، درمانها و داروهایی وجود دارند که میتوانند کمک کنند. برای مجموعه داده MIT-BIH PSG، از اعتبارسنجی متقابل 10 برابری برای بررسی عملکرد استفاده میشود زیرا هیچ مجموعه آموزشی و آزمایشی از پیش تعریف شدهای وجود ندارد. برای مجموعه داده Apnea-ECG، ما تمام مدلها، از جمله روش ConCAD پیشنهادی و روشهای معیار، را روی مجموعه داده منتشر شده آموزش میدهیم و آنها را روی مجموعه داده محفوظ آزمایش میکنیم. ورودی قطعه 5 دقیقهای روی مجموعه داده MIT-BIH PSG، که از سایر روشهای معیار بهتر عمل میکند. LSTM، به عنوان یکی از روشهای معیار ما. ریچارد کلندر، شهردار سابق پنسیلوانیا که سالها از یکی از دستگاههای فراخوان شده استفاده کرده است، گفت: «وقتش رسیده است.» BiPAP: دستگاههای فشار مثبت راه هوایی دوسطحی (BPAP) به حل مشکلات تنفسی کمک میکنند. “BiPAP” یک نام تجاری است، در حالی که BPAP نوع دستگاه است.
این دستگاه میگوید ارزیابی بالاتر از ۵۰٪ برای آپنه انسدادی خواب شما ضروری نیست، مگر اینکه نیاز به استفاده از دستگاه کمک تنفسی مانند دستگاه CPAP داشته باشد. محیطی ایجاد کنید که خواب را تقویت کند (مانند یک اتاق تاریک، ساکت و خنک). میتوانیم ببینیم که خطای ترکیبی به خوشهبندی فشردهتر نمونههای یک کلاس کمک میکند، در حالی که نمایش با خطای CE پراکندهتر است. در شکل ۲، نمودارهای t-SNE نمایش ویژگی آموخته شده را با خطای CE و خطای ترکیبی پیشنهادی نشان میدهند. نمایش ویژگی ترکیبی جدید، بخشهای مؤثر تفکیک ویژگیها را حفظ میکند و در عین حال بخشهای نامربوط را حذف میکند. از یک الحاق ساده برای ترکیب ویژگیهای ECG، RRI و RPE استفاده میشود. علاوه بر دادههای خام ECG، RRI و RPE به عنوان ورودیهای دانش تخصصی استفاده میشوند. شبکه عصبی کانولوشنی LeNet-5 برای یادگیری ویژگیهای RRI و RPE برای تشخیص آپنه خواب استفاده میشود.
سپس ویژگیهای به هم پیوسته برای طبقهبندی ارسال میشوند. تنها مشکلی که من میبینم این است که اگر در رختخواب دراز کشیدهاید و تلویزیون تماشا میکنید یا مطالعه میکنید، فرض میکند که شما در حال تلاش برای خوابیدن هستید و این میتواند امتیاز شما را منحرف کند (اگرچه بهتر است فقط در صورت ابتلا به بیخوابی از تخت خود برای خواب استفاده کنید). مدل مبتنی بر CNN با یک لایه جمعآوری جدید برای تشخیص آپنه خواب از دادههای ECG به طور مستقیم پیشنهاد شده است و ما آن را با روش پیشنهادی خود نیز مقایسه میکنیم. لاتکس همچنین به خوبی به حرکت پاسخ میدهد، بنابراین به شما کمک میکند تا هنگام خواب بدون اینکه احساس گیر افتادن کنید، مانند برخی از تشکهای مموری فوم، احساس راحتی کنید. تشک Vaya یک تشک تمام فوم مقرون به صرفه با سفتی متوسط است که برای اکثر سبکهای خواب، از جمله خوابیدن به پشت، پهلو و ترکیبی، به خوبی کار میکند. در مقایسه با کسانی که تنفس عمیق انجام میدادند، افرادی که در دمیدن شنک شرکت کردند، در طول روز ۳۴ درصد کمتر خوابآلود بودند، گزارش دادند که خواب بهتری دارند و آزمایش پلیسومنوگرافی نشان داد که آنها به طور متوسط چهار تا پنج آپنه (قطع تنفس در طول خواب) کمتر در ساعت دارند. ما مدل را با استفاده از کسری از مجموعه آموزشی آموزش میدهیم و آن را روی کل مجموعه آزمایشی آزمایش میکنیم.
این را میتوان به عنوان یک معماری استاندارد از یک مدل یادگیری عمیق ساده در نظر گرفت. افزایش داده با معماری ذکر شده در بالا برای کمک به یادگیری ویژگیهای عمومیتر و قویتر برای افزایش عملکرد استفاده میشود. ما همچنین چارچوب پیشنهادی را گام به گام بررسی میکنیم تا اثربخشی هر مرحله را در جدول ۲ نشان دهیم. میتوانیم ببینیم که اگر ویژگیهای عمیق را به سادگی با ویژگیهای تخصصی ترکیب 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. علاوه بر این، نشان میدهیم که چارچوب پیشنهادی با دادههای آموزشی محدود با برچسب محدود، توانایی تعمیم بهتری دارد. ما همچنین قصد داریم رابطهای بیشتری را توسعه دهیم تا امکان ادغام قالبهای مختلف دانش تخصصی (مثلاً پروندههای الکترونیکی سلامت) در چارچوب ما فراهم شود. هر طرح درمانی شخصیسازی شده است و بر کاهش علائم، بهبود کیفیت خواب و کاهش خطر بیماریهای مرتبط با آن تمرکز دارد. در کارهای آینده، قصد داریم تکنیکهای بیشتری برای افزایش دادههای ECG بررسی کنیم که به یادگیری مقابلهای برای تولید بازنماییهای بهتر کمک میکنند. در صورتی که مدل با یادگیری ویژگیهایی با تمایز بیش از حد، در دادههای آموزشی بیشبرازش داشته باشد، روش ترکیبی loss با ارتقای مدل برای یادگیری بازنماییهای کلیتر و متمایزتر ویژگیها، عملکرد را افزایش میدهد.
