Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 27 · № 1 · 2022 кві 29, 2022 Електронні системи та сигнали

Виявлення епізодів апное та гіпопное сну за даними ЕКГ та ЕЕГ сигналів методами машинного навчання

АР
Анна Костянтинівна Рихальська Відповідальний Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського",Igor Sikorsky Kyiv Polytechnic Institute Україна
КІ
Катерина Олегівна Іванько Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського",Igor Sikorsky Kyiv Polytechnic Institute Україна
НІ
Наталія Георгіївна Іванушкіна Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського",Igor Sikorsky Kyiv Polytechnic Institute Україна
ДІ
Дмитро Олегович Іванько Норвезький університет природничих та технічних наук Норвегія
Сторінки251487-1-251487-11 Опублікованокві 29, 2022
PDF
ТОМ 27 · № 1 · 2022 Переглянути випуск

Анотація

Стаття присвячена застосуванню методів машинного навчання для комп’ютеризованого виявлення епізодів апное сну на основі аналізу одноканальних сигналів електрокардіограми (ЕКГ) та електроенцефалограми (ЕЕГ). Для дослідження можливостей машинного навчання для виявлення апное на основі аналізу ЕКГ та ЕЕГ було використано відкриті бази даних Apnea-ECG та MIT-BIH polysomnographic database з ресурсу PhysioNet, які містять анотації до кожної хвилини записів, що вказують на наявність або відсутність апное/гіпопное сну в поточний момент часу. Метою даної роботи є визначення та порівняння інформативних ознак виявлення епізодів апное сну за показниками варіабельності серцевого ритму та електричної активності мозку, а також вибір методів машинного навчання, що забезпечують найвищу точність класифікації. Розглянуто показники кардіоритмограм у часовій та частотній областях, спектрально-часові та вейвлет-характеристики, а також параметри ЕЕГ сигналів на основі відношення енергії ЕЕГ ритмів, показника Херста, фрактальної розмірності Хігучі та ентропії вибірки для ЕЕГ сигналів. Використовуючи різні набори ознак, було визначено точність класифікації для моделей на основі дерев рішень, дискримінантного аналізу, методу опорних векторів, методу k-найближчих сусідів та ансамблевого навчання. На основі цього запропоновані набори ознак та класифікатори, що забезпечують найвищу точність розпізнавання епізодів апное сну за даними ЕКГ та ЕЕГ сигналів.

Ключові слова

#апное та гіпопное сну #електрична активність серця та мозку #варіабельність ритму серця #спектральний аналіз #спектрально-часовий аналіз #вейвлет-аналіз #фрактальний аналіз #ентропія #класифікація #машинне навчання

Посилання

  1. S. F. Quan and B. J. Gersh, “Cardiovascular Consequences of Sleep-Disordered Breathing: Past, Present and Future: Report of a Workshop From the National Center on Sleep Disorders Research and the National Heart, Lung, and Blood Institute”, Circulation, vol. 109, no. 8, pp. 951–957, Mar. 2004. DOI: https://doi.org/10.1161/01.CIR.0000118216.84358.22
  2. W. R. Ruehland, P. D. Rochford, F. J. O’Donoghue, R. J. Pierce, P. Singh, and A. T. Thornton, “The New AASM Criteria for Scoring Hypopneas: Impact on the Apnea Hypopnea Index”, Sleep, vol. 32, no. 2, pp. 150–157, Feb. 2009. DOI: https://doi.org/10.1093/sleep/32.2.150
  3. X. Li, A. Al-Ani, and S. H. Ling, “Feature Selection for the Detection of Sleep Apnea using Multi-Bio Signals from Overnight Polysomnography”, in 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI, 2018, pp. 1444–1447. DOI: https://doi.org/10.1109/EMBC.2018.8512585
  4. T. Penzel, M. Glos, C. Schobel, M. Sebert, B. Diecker, and I. Fietze, “Revised recommendations for computer-based sleep recording and analysis”, in 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Minneapolis, MN, 2009, pp. 7099–7101. DOI: https://doi.org/10.1109/IEMBS.2009.5332903
  5. D. Álvarez-Estévez and V. Moret-Bonillo, “Identification of Electroencephalographic Arousals in Multichannel Sleep Recordings”, IEEE Transactions on Biomedical Engineering, vol. 58, no. 1, pp. 54–63, Jan. 2011. DOI: https://doi.org/10.1109/TBME.2010.2075930
  6. F. Liu, X. Zhou, Z. Wang, T. Wang, H. Ni, and J. Yang, “Identifying Obstructive Sleep Apnea by Exploiting Fine-Grained BCG Features Based on Event Phase Segmentation”, in 2016 IEEE 16th International Conference on Bioinformatics and Bioengineering (BIBE), Taichung, Taiwan, 2016, pp. 293–300. DOI: https://doi.org/10.1109/BIBE.2016.45
  7. A. R. Hassan, “A comparative study of various classifiers for automated sleep apnea screening based on single-lead electrocardiogram”, in 2015 International Conference on Electrical & Electronic Engineering (ICEEE), Rajshahi, Bangladesh, 2015, pp. 45–48. DOI: https://doi.org/10.1109/CEEE.2015.7428288
  8. K. Zhu, “Overnight heart rate variability in patients with obstructive sleep apnoea: A time and frequency domain study”, Clinical and Experimental Pharmacology and Physiology, vol. 39, no. 11, pp. 901–908, Oct. 2012. DOI: https://doi.org/10.1111/1440-1681.12012
  9. J. Foussier, P. Fonseca, X. Long, B. Misgeld, and S. Leonhardt, “Combining HRV features for automatic arousal detection”, in Computing in Cardiology, pp. 1003–1006, 2013. URL: https://ieeexplore.ieee.org/abstract/document/6713549
  10. M. J. Lado, X. A. Vila, L. Rodríguez-Liñares, A. J. Méndez, D. N. Olivieri, and P. Félix, “Detecting Sleep Apnea by Heart Rate Variability Analysis: Assessing the Validity of Databases and Algorithms”, Journal of Medical Systems, vol. 35, no. 4, pp. 473–481, Oct. 2009. DOI: https://doi.org/10.1007/s10916-009-9383-5
  11. J. Gubbi, A. Khandoker, and M. Palaniswami, “Classification of sleep apnea types using wavelet packet analysis of short-term ECG signals”, Journal of Clinical Monitoring and Computing, vol. 26, no. 1, pp. 1–11, Dec. 2011. DOI: https://doi.org/10.1007/s10877-011-9323-z
  12. N. Sadr and P. de Chazal, “A fast approximation method for principal component analysis applied to ECG derived respiration for OSA detection”, in 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, FL, USA, 2016, pp. 6198–6201. DOI: https://doi.org/10.1109/EMBC.2016.7592144
  13. C. Varon, D. Testelmans, B. Buyse, J. A. K. Suykens, and S. Van Huffel, “Sleep apnea classification using least-squares support vector machines on single lead ECG”, in 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Osaka, 2013, pp. 5029–5032. DOI: https://doi.org/10.1109/EMBC.2013.6610678
  14. K. Ivanko, N. Ivanushkina, and A. Rykhalska, “Identifying episodes of sleep apnea in ECG by machine learning methods”, in 2020 IEEE 40th International Conference on Electronics and Nanotechnology (ELNANO), Kyiv, Ukraine, 2020, pp. 588–593. DOI: https://doi.org/10.1109/ELNANO50318.2020.9088749 .
  15. G. Zhou, Y. Pan, J. Yang, X. Zhang, X. Guo, and Y. Luo, “Sleep Electroencephalographic Response to Respiratory Events in Patients With Moderate Sleep Apnea–Hypopnea Syndrome”, Frontiers in Neuroscience, vol. 14, Apr. 2020. DOI: https://doi.org/10.3389/fnins.2020.00310
  16. S. Saha, A. Bhattacharjee, and S. A. Fattah, “Automatic detection of sleep apnea events based on inter‐band energy ratio obtained from multi‐band EEG signal”, Healthcare Technology Letters, vol. 6, no. 3, pp. 82–86, Jun. 2019. DOI: https://doi.org/10.1049/htl.2018.5101 .
  17. X. Zhao, “Classification of sleep apnea based on EEG sub-band signal characteristics”, Scientific Reports, vol. 11, no. 1, Mar. 2021. DOI: https://doi.org/10.1038/s41598-021-85138-0
  18. G. Zhou, Y. Pan, J. Yang, X. Zhang, X. Guo, and Y. Luo, “Sleep Electroencephalographic Response to Respiratory Events in Patients With Moderate Sleep Apnea–Hypopnea Syndrome”, Frontiers in Neuroscience, vol. 14, Apr. 2020. DOI: https://doi.org/10.3389/fnins.2020.00310
  19. R. Jayaraj and J. Mohan, “Classification of Sleep Apnea Based on Sub-Band Decomposition of EEG Signals”, Diagnostics, vol. 11, no. 9, p. 1571, Aug. 2021. DOI: https://doi.org/10.3390/diagnostics11091571
  20. A. L. Goldberger, “PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals”, Circulation, vol. 101, no. 23, Jun. 2000. DOI: https://doi.org/10.1161/01.CIR.101.23.e215
  21. T. Penzel, G. Moody, R. Mark, A. Goldberger, and J. Peter, “The apnea-ECG database”, in Computers in Cardiology 2000. Vol.27 (Cat. 00CH37163), Cambridge, MA, USA, 2000, pp. 255–258. DOI: https://doi.org/10.1109/CIC.2000.898505
  22. MIT-BIH Polysomnographic Database. – URL: https://physionet.org/content/slpdb/1.0.0/ .
  23. Y. Ichimaru and G. Moody, “Development of the polysomnographic database on CD‐ROM”, Psychiatry and Clinical Neurosciences, vol. 53, no. 2, pp. 175–177, Apr. 1999. DOI: https://doi.org/10.1046/j.1440-1819.1999.00527.x
  24. Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology, “Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use”, Circulation, vol. 93, no. 5, pp. 1043–1065, Mar. 1996. DOI: https://doi.org/10.1161/01.CIR.93.5.1043
  25. N. L. Chamberlin, “Brain circuitry mediating arousal from obstructive sleep apnea”, Current Opinion in Neurobiology, vol. 23, no. 5, pp. 774–779, Oct. 2013. DOI: https://doi.org/10.1016/j.conb.2013.06.001
  26. S. Lahmiri, “Generalized Hurst exponent estimates differentiate EEG signals of healthy and epileptic patients”, Physica A: Statistical Mechanics and its Applications, vol. 490, pp. 378–385, Jan. 2018. DOI: https://doi.org/10.1016/j.physa.2017.08.084 .
  27. S. Kesić and S. Z. Spasić, “Application of Higuchi’s fractal dimension from basic to clinical neurophysiology: A review”, Computer Methods and Programs in Biomedicine, vol. 133, pp. 55–70, Sep. 2016. DOI: https://doi.org/10.1016/j.cmpb.2016.05.014
  28. R. Bhavsar, N. Helian, Y. Sun, N. Davey, T. Steffert, and D. Mayor, “Efficient Methods for Calculating Sample Entropy in Time Series Data Analysis”, Procedia Computer Science, vol. 145, pp. 97–104, Jan. 2018. DOI: https://doi.org/10.1016/j.procs.2018.11.016
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 141

Ви також можете розпочати розширений пошук схожих статей для цієї статті.