Визначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму

Аміна Сергіївна Самсоненко; Антон Олександрович Попов

doi:10.20535/2523-4455.mea.297387

Т. 29 · № 1 · 2024 бер 7, 2024 Електронні системи та сигнали

Визначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму

АС

Аміна Сергіївна Самсоненко Відповідальний Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна

АП

Антон Олександрович Попов Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна

Сторінки297387.1-297387.7 Опублікованобер 7, 2024

PDF

ТОМ 29 · № 1 · 2024 Переглянути випуск

Анотація

Синдром обструктивного апное під час сну (СОАС) є хворобою, що виникає внаслідок повторюваних епізодів зупинки верхніх дихальних шляхів (апное) або їх стиснення (гіпопное), які виникають на рівні фарингею, з збереженою функцією дихальних м'язів. Останнім часом більше уваги приділяється дослідженням того, як ідентифікувати апное за аналізу серцевої діяльності на основі варіабельності серцевого ритму (ВРС). У цій роботі аналіз ВРС для виявлення ознак апное виконується за допомогою різних типів параметрів у часовому і частотному доменах. Застосовано кілька методів шкалювання та зменшення розмірності, таких як аналіз головних компонент, t-розподілене вкладення стохастичної близькості і рівномірну апроксимацію та проекцію різноманіття. Після цього було навчено низку класифікаторів: k-найближчих сусідів, логістичну регресію, машини опорних векторів, дерево рішень, випадковий ліс і градієнтне підсилення. З використанням даних від 70 пацієнтів з бази даних Apnea-ECG (платформа Physionet) досягнута точність 100% в усіх класифікаторах і методі зменшення розмірності на основі рівномірної апроксимації та проекції різноманіття. Особливістю запропонованого підходу є застосування машинного навчання до параметрів ВРС після зменшення їх розмірності, що може бути використано в реальних умовах для виявлення СОАС.

Ключові слова

#апное #машинне навчання #класифікація #зменшення розмірності #ознаки #біосигнали

Посилання

“Sleep apnea - Symptoms and causes - Mayo Clinic.” [Online]. Available: https://www.mayoclinic.org/diseases-conditions/sleep-apnea/symptoms-causes/syc-20377631 . [Accessed: 28-Jul-2020]
“Sleep Apnea: What It Is, Causes, Symptoms & Treatment.” [Online]. Available: https://my.clevelandclinic.org/health/diseases/8718-sleep-apnea . [Accessed: 28-Sep-2020]
F. Shaffer and J. P. Ginsberg, “An Overview of Heart Rate Variability Metrics and Norms,” Front Public Health, vol. 5, Sep. 2017, DOI: https://doi.org/10.3389/fpubh.2017.00258
“Heart Rate Variability (HRV): What It Is and How You Can Track It.” [Online]. Available: https://my.clevelandclinic.org/health/symptoms/21773-heart-rate-variability-hrv . [Accessed: 09-Jan-2021]
B. He et al., “The Analysis of How Apnea Influences the Autonomic Nervous System Using Short-Term Heart Rate Variability Indices,” J Healthc Eng, vol. 2020, pp. 1–8, Dec. 2020, DOI: https://doi.org/10.1155/2020/6503715
A. Iwasaki et al., “Screening of sleep apnea based on heart rate variability and long short-term memory,” Sleep and Breathing, vol. 25, no. 4, pp. 1821–1829, Dec. 2021, DOI: https://doi.org/10.1007/s11325-020-02249-0
A. Prabha, A. Trivedi, A. A. Kumar, and C. S. Kumar, “Automated system for obstructive sleep apnea detection using heart rate variability and respiratory rate variability,” in 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1303–1307, DOI: https://doi.org/10.1109/ICACCI.2017.8126021
A. Ramachandran and A. Karuppiah, “A Survey on Recent Advances in Machine Learning Based Sleep Apnea Detection Systems,” Healthcare, vol. 9, no. 7, p. 914, Jul. 2021, DOI: https://doi.org/10.3390/healthcare9070914
T. Penzel, G. B. Moody, R. G. Mark, A. L. Goldberger, and J. H. Peter, “The apnea-ECG database,” in Computers in Cardiology 2000. Vol.27 (Cat. 00CH37163), pp. 255–258, DOI: https://doi.org/10.1109/CIC.2000.898505
“Waveform Database Software Package (WFDB) for Python v4.1.0.” [Online]. Available: https://physionet.org/content/wfdb-python/4.1.0/ . [Accessed: 21-Mar-2023]
F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, no. 85, pp. 2825–2830, Oct. 2011, URL: http://jmlr.org/papers/v12/pedregosa11a.html

Попередня у випуску Використання методу k-найближчих сусідів для класифікації концентрації препаратів та ризику кардіотоксичності з використанням потенціалів позаклітинних полів та реконструйованих потенціалів дії серцевих клітин Наступна у випуску Дослідження обмежень робочих параметрів мережі IEEE 802.11 ac в каналі 20 МГц

§ 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

Схожі статті

Anton Volodymyrovych Mnevets, Nataliia Heorhiivna Ivanushkina, Моделі сіамських нейронних мереж для класифікації серцевих аритмій за умов нестачі тренувальних ЕКГ сигналів , Мікросистеми, Електроніка та Акустика: Том 30 № 2 (2025)
Анастасія Володимирівна Паренюк, PhD Дмитро Володимирович Паренюк, PhD, дослідник Катерина Л. Руденька, Практичний метод оцінювання безпечних звуків для осіб із ПТСР , Мікросистеми, Електроніка та Акустика: Том 31 № 2 (2026)
Anna Serhiivna Poreva, Valentyn Ihorovych Vaityshyn, Yevgeniy Serhiiovych Karplyuk, Методи машинного навчання для дослідження сигналівзвуківлегенів , Мікросистеми, Електроніка та Акустика: Том 22 № 6 (2017)
Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна, Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій , Мікросистеми, Електроніка та Акустика: Том 31 № 2 (2026)
Yana Vjyatsheslavivna Kabushka, Anton Serhiiovych Zotko, Ivan Viktorovich Kandrachuk, Oleksii Volodymyrovych Korzhyk, Дальність виявлення малих повітряних об’єктів наземною системою шумопеленгування , Мікросистеми, Електроніка та Акустика: Том 23 № 5 (2018)
Антон Васильович Коцюбайло, д-р техн. наук, проф. Олександр Миколайович Лисенко, Розподілена архітектура системи Wi-Fi-керування активним ортезом верхніх кінцівок , Мікросистеми, Електроніка та Акустика: Том 31 № 1 (2026)
Arkadii Mykolaiovych Prodeus, Kseniia Victorivna Bukhta, Pavlo Vadymovych Morozko, Oleksii Volodymyroych Serhiienko, Ihor Valeriiovych Kotvytskyi, Oleksandr Oleksandrovych Dvornyk, Автоматизоване суб'єктивне оцінювання розбірливості мови при різних способах прослуховування , Мікросистеми, Електроніка та Акустика: Том 23 № 3 (2018)
Maksim Oleksiiovych Korzhyk, Serhii Viktorovych Kurdiuk, Oleksii Volodymyrovych Korzhyk, Імпедансні характеристики плоско-паралельного акустичного хвилеводу з комбінуванням межами при порушенні його двочастотних сигналом , Мікросистеми, Електроніка та Акустика: Том 23 № 3 (2018)
Oleksandr Viktorovych Machulianskyi, Питома електрична поляризованість наночастинок міді в оптичному діапазоні спектру , Мікросистеми, Електроніка та Акустика: Том 23 № 2 (2018)
Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен, Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі , Мікросистеми, Електроніка та Акустика: Том 31 № 2 (2026)

1-10 з 39 Наступне

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

[1] “Sleep apnea - Symptoms and causes - Mayo Clinic.” [Online]. Available: https://www.mayoclinic.org/diseases-conditions/sleep-apnea/symptoms-causes/syc-20377631 . [Accessed: 28-Jul-2020]

[2] “Sleep Apnea: What It Is, Causes, Symptoms & Treatment.” [Online]. Available: https://my.clevelandclinic.org/health/diseases/8718-sleep-apnea . [Accessed: 28-Sep-2020]

[3] F. Shaffer and J. P. Ginsberg, “An Overview of Heart Rate Variability Metrics and Norms,” Front Public Health, vol. 5, Sep. 2017, DOI: https://doi.org/10.3389/fpubh.2017.00258

[4] “Heart Rate Variability (HRV): What It Is and How You Can Track It.” [Online]. Available: https://my.clevelandclinic.org/health/symptoms/21773-heart-rate-variability-hrv . [Accessed: 09-Jan-2021]

[5] B. He et al., “The Analysis of How Apnea Influences the Autonomic Nervous System Using Short-Term Heart Rate Variability Indices,” J Healthc Eng, vol. 2020, pp. 1–8, Dec. 2020, DOI: https://doi.org/10.1155/2020/6503715

[6] A. Iwasaki et al., “Screening of sleep apnea based on heart rate variability and long short-term memory,” Sleep and Breathing, vol. 25, no. 4, pp. 1821–1829, Dec. 2021, DOI: https://doi.org/10.1007/s11325-020-02249-0

[7] A. Prabha, A. Trivedi, A. A. Kumar, and C. S. Kumar, “Automated system for obstructive sleep apnea detection using heart rate variability and respiratory rate variability,” in 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1303–1307, DOI: https://doi.org/10.1109/ICACCI.2017.8126021

[8] A. Ramachandran and A. Karuppiah, “A Survey on Recent Advances in Machine Learning Based Sleep Apnea Detection Systems,” Healthcare, vol. 9, no. 7, p. 914, Jul. 2021, DOI: https://doi.org/10.3390/healthcare9070914

[9] T. Penzel, G. B. Moody, R. G. Mark, A. L. Goldberger, and J. H. Peter, “The apnea-ECG database,” in Computers in Cardiology 2000. Vol.27 (Cat. 00CH37163), pp. 255–258, DOI: https://doi.org/10.1109/CIC.2000.898505

[10] “Waveform Database Software Package (WFDB) for Python v4.1.0.” [Online]. Available: https://physionet.org/content/wfdb-python/4.1.0/ . [Accessed: 21-Mar-2023]

[11] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, no. 85, pp. 2825–2830, Oct. 2011, URL: http://jmlr.org/papers/v12/pedregosa11a.html