Alvás alatti légzészavarok detektálása
A poliszomnográfia egy teszt, amit alvás alatti problémák felismeréséhez, diagnózisok felállításához végeznek. Ezek gyakran ébredést okozó légzési problémák, amik jól jellemzik az alvás minőségét. Közülük néhány, mint például az apnoea jellegzetes tulajdonságokkal bír, így észrevétele viszonylag kön...
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Szakdolgozat |
| Megjelent: |
2018
|
| Kulcsszavak: | poliszomnográfia gépi tanulás jelfeldolgozás apnoea RERA |
| Tárgyszavak: | |
| Online Access: | http://diploma.bibl.u-szeged.hu/73711 |
| Tartalmi kivonat: | A poliszomnográfia egy teszt, amit alvás alatti problémák felismeréséhez, diagnózisok felállításához végeznek. Ezek gyakran ébredést okozó légzési problémák, amik jól jellemzik az alvás minőségét. Közülük néhány, mint például az apnoea jellegzetes tulajdonságokkal bír, így észrevétele viszonylag könnyű. Ezzel szemben a RERA (respiratory effort related arousal) sokkal gyengébb jellegzetességekkel rendelkezik. Egy nemzetközi verseny keretein belül rendelkezésre állt az egész estés poliszomnogramja 1893 személynek. Ennek a fele annotálva volt ébredési helyekkel és alvás fázisokkal, lehetővé téve gépi tanuló algoritmusok alkalmazását. A vizsgálatban résztvevők számos fiziológiai jelét rögzítették olyan módszerekkel mint: elektroenkefalográfia, elektromiográfia, elektrokardiográfia, elektrookulográfia illetve oxigén szaturáció mérése. Az adatfeldolgozás során 20 másodperces ablakok segítsével lett feldolgozva a tanító adatbázis egy része. Az ablakok úgy lettek megválasztva, hogy ébredési és normál alvási szakaszokat is tartalmazzanak. Ezután jelfeldolgozási módszerekkel egy 250 attribútumból álló jellemzőhalmaz lett meghatározva és implementálva Matlabban. Ennek a kiértékelésére véletlen döntési erdő szolgált, majd a modell egyszerűsítésére számos jellemző szelekciós módszer került felhasználásra, amivel 38 jellemzőre sikerült szűkíteni a 250-et, ugyanazt az eredményt elérve. A véletlen döntési erdő nem képes a szekvenciális adatok időbeliségének a leírására, így erre egy négy állapotot ismerő rejtett Markov-modell lett alkalmazva. A négy állapot a normál alvás, az ébredés eleje, az ébredés közepe, az ébredés vége és ezután a ciklus elölről kezdődik. A döntési erdő által adott osztályvalószínűségek rejtett Markov-modellel való alkalmazása során a Viterbi algoritmus adta meg a legvalószínűbb szekvenciát, a Viterbi utat. Ezekkel a módszerekkel detektálásra kerültek apnoeák/hypopnoák, RERAk, az összes ébredés és egyéb diagnosztikai értékek. A kiértékeléshez olyan mércék lettek alkalmazva, mint a ROC görbe alatti terület, PRC görbe alatti terület, pontosság, relatív hiba. Az apnoeak/hypopnoek felismerése hozta a legjobb eredményt: 0.910 ROC görbe alatti terület és 0.815 PRC görbe alatti terület. |
|---|