تشخیص هوشمند آپنه خواب و نوع آن مبتنی بر ویژگی سیگنالهای تلاش تنفسی قفسه سینه و اشباع اکسیژن خون
عنوان مقاله: تشخیص هوشمند آپنه خواب و نوع آن مبتنی بر ویژگی سیگنالهای تلاش تنفسی قفسه سینه و اشباع اکسیژن خون
شناسه ملی مقاله: ICCNE01_001
منتشر شده در اولین کنفرانس بین المللی مهندسی عصبی؛سیستم ها و تکنولوژی در سال 1393
شناسه ملی مقاله: ICCNE01_001
منتشر شده در اولین کنفرانس بین المللی مهندسی عصبی؛سیستم ها و تکنولوژی در سال 1393
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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
کلمات کلیدی: آپنه خواب، الگوریتم ژنتیک، سیگنال اشباع اکسیژن خون، سیگنال تلاش تنفسی قفسه سینه، ماشین بردار پشتیبان
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/344838/