تشخیص هوشمند آپنه خواب و نوع آن مبتنی بر ویژگی سیگنالهای تلاش تنفسی قفسه سینه و اشباع اکسیژن خون
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,075
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICCNE01_001
تاریخ نمایه سازی: 25 فروردین 1394
چکیده مقاله:
آپنه خواب یک بیماری نسبتا شایع است که در اثر وقفههای تنفسی در هنگام خواب شبانه ایجاد میگردد. ثبت پلیسومنوگرافی روش تشخیصی استاندارد برای سندرم آپنه-هیپوپنه می باشد که جهت تشخیص این بیماری در یک دوره خواب شبانه استفاده می شود. هدف از انجام این پژوهش تشخیص و طبقهبندی خودکار انواع آپنه خواب بر اساس اعمال الگوریتمهای طبقهبندیکننده به سیگنالهای تلاش تنفسی قفسه سینه و اشباع اکسیژن خون می باشد. سیگنالها حاصل ثبت پلیسومنوگرافی از 54 نفر (18 نفر سالم، 18 نفر دارای آپنه خواب انسدادی و 18 نفر دارای آپنه خواب مرکزی) میباشد. در این مقاله، برخی ویژگیهای زمانی، فرکانسی، طیفی متداول و غیرخطی از این دو سیگنال استخراج و سپس توسط هر یک از دو روش الگوریتم ژنتیک و تجزیه و تحلیل مولفههای اصلی(PCA) ، به استخراج ویژگیهای بهینه پرداخته و در نهایت طبقهبندی کننده ماشین بردار پشتیبان برای دستهبندی ویژگیها در سه کلاس افراد سالم، آپنه انسدادی و آپنه مرکزی به کار گرفته شده است. میانگین صحت نتایج سیستم تشخیص خودکار بیماری و طبقهبندی کننده نوع آپنه خواب به سه کلاس افراد سالم، آپنه انسدادی و آپنه مرکزی، به ازای الگوریتم ژنتیک برابر 02/0 ±2/90درصد (محدوده 8/95-5/87) در مجموعه دادههای تست، و صحت 9/90درصد در مجموعه دادههای اعتباربخشی و به ازای الگوریتم تجزیه و تحلیل مولفههای اصلی برابر 7/66درصد در مجموعه دادههای تست مشاهده گردید
کلیدواژه ها:
آپنه خواب ، الگوریتم ژنتیک ، سیگنال اشباع اکسیژن خون ، سیگنال تلاش تنفسی قفسه سینه ، ماشین بردار پشتیبان
نویسندگان
زهرا عابدی
دانشجو کارشناسی ارشد مهندسی پزشکی، دانشکده مهندسی، دانشگاه فردوسی مشهد
نادیا نقوی
استادیار گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد
فریبرز رضایی طلب
استادیار گروه مغز و اعصاب، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :