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

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

آپنه خواب، الگوریتم ژنتیک، سیگنال اشباع اکسیژن خون، سیگنال تلاش تنفسی قفسه سینه، ماشین بردار پشتیبان