شناسایی آپنه در خواب مبتنی بر مدل سازی Rician تغییرات ویژگی ها در سیگنال های EEG در چند باند
چکیده
آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند. در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.
1. مقدمه
آپنه در خواب یکی از اختلال های رایج در خواب می باشد که باعث می شود کیفیت خواب بیمار دچار مشکل شود و بر روی 5 تا 20% از جمعیت بالغ تاثیر دارد [1و2]. بر اساس معیار آکادمی پزشکی خواب در آمریکا (AASM)، زمانی تشخیص آپنه ایجاد می شود که کاهش در جریان هوا 90%≤ می باشد و این کاهش بیشتر از 10 ثانیه طول می کشد. آپنه ضعیف نیازمند 30%≤ کاهش جریان هوا برای مدت زمان بیشتر از 10 ثانیه و یا کاهش اشباع اکسیژن 3%≤ و یا یک انگیختگی می باشد [3]. بیمارانی که به آپنه در خواب دچار هستند معمولا سردرد های شدید، خواب آلودگی در طول روز و بیماری های قلبی- تنفسی مختلف دارند.
Abstract
Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEG) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and non-apnea events of an apnea patient. A unique multi-band sub-frame based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEG data, which is shown to exhibit significantly different characteristics in apnea and non-apnea frames. Such within-frame feature variation can be better represented by some statistical measures and characteristic probability density functions. It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor (KNN) classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity and accuracy.
I. INTRODUCTION
Sleep apnea, a common sleep disorder deteriorating sleep quality of the patients, affects about 5-20% of adult population [1], [2]. According to American Academy of Sleep Medicine (AASM) criteria, apnea is scored where reduction in airflow is ≥90% and it stays like so for more than 10 seconds. Hypopnea criterion requires ≥30% reduction in airflow for more than 10 seconds in association with either ≥3% oxygen desaturation or an arousal [3]. Sleep apnea patients generally experience severe headaches, daytime sleepiness and several cardio-respiratory disorders [4]-[5].
چکیده
1. مقدمه
2. روش پیشنهاد شده
الف) استخراج سیگنال محدود به باند
ب)استخراج ویژگی از چند باند
ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی
د) برازش مدل از الگوهای تغییرات ویژگی ها
ه) دسته بندی کننده
3. نتایج و مباحث
الف) دیتابیس ها
ب) نکویی برازش
ج) نکویی ویژگی ها
د) نتایج دسته بندی
4. جمع بندی
منابع
Abstract
I. INTRODUCTION
II. PROPOSED METHOD
A. Band-limited Signal Extraction
B. Multi-band Feature Extraction
C. Temporal Feature Variation Pattern Extraction
D. Model Fitting of the Extracted Feature Variation Pattern
E. Classifier
III. RESULT AND DISCUSSION
A. Database
B. Goodness of Fit
C. Goodness of Feature
D. Classification Result
IV. CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه