قسمتی از متن ترجمه مقاله تشخیص آپنه در خواب بر اساس مدل سازی rician
چکیده:
ایست تنفسی در خواب، یکی از اختلال‌های جدی در خواب است و جمعیت زیادی را تحت تأثیر قرار می‌دهد، باعث اختلال در تنفس در طول خواب می‌شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال‌های EEG تک کابل ارائه‌شده است که باعث می‌شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود تا بتوان رخدادهای آپنه و غیر آپنه را در بیماران مبتلابه مشکل آپنه را بررسی کرد که این کار، کار دشواری می‌باشد. یک طرح منحصربه‌فرد استخراج ویژگی مبتنی بر فریم‌های فرعی از چند باند به‌صورت منحصربه‌فرد در این مقاله توسعه‌یافته است که با استفاده از آن می‌توان الگوی تغییرات ویژگی را در یک قاب از داده‌های EEG، شناسایی کرد که این ویژگی‌ها می‌تواند مشخصه‌های کاملاً متفاوتی را در فریم‌های مرتبط با آپنه و رخدادهای غیر آپنه ای ارائه کند. چنین تغییرات ویژگی درون فریم را می‌توان با برخی معیارهای آماری و توابع چگالی بهتر نشان داد . در این مقاله‌ها مشخص‌شده است که استفاده از پارامترهای مدل Rician همراه با معیارهای آماری می‌تواند کیفیت‌های ویژگی بسیار قوی ازنظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک‌پذیری هندسی. برای دسته‌بندی، ویژگی‌های پیشنهادشده درروش دسته‌بندی نزدیک‌ترین همسایه K (KNN) مورداستفاده قرار می‌گیرد. از آزمایش‌های گسترده و تحلیل‌های انجام‌شده بر روی دیتابیس‌هایی که به‌صورت عمومی در دسترس می‌باشد، مشخص‌شده است که روش پیشنهادشده می‌تواند عملکرد بهتری ازنظر حساسیت، ویژگی و صحت دسته‌بندی ارائه کند.
کلمات کلیدی:
سیگنال EEG، باندهای فرعی، آپنه در خواب، آنتروپی، فریم بندی‌های فرعی، برازش مدل، مدل Rician، KNN، نکویی ویژگی‌ها، دسته‌بندی
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 (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe 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 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.
keywords:
EEG signals, EEG sub-bands, sleep apnea, entropy, sub-framing, model fitting, Rician model, KNN, goodness
of feature, classification
- چکیده
- مقدمه
- روش پیشنهادشده
- استخراج سیگنال محدود به باند
- استخراج ویژگی از چند باند
- استخراج الگوی تغییرات ویژگی‌ها به‌صورت زمانی
- برازش مدل از الگوهای تغییرات ویژگی‌ها
- دسته‌بندی کننده
- نتایج و مباحث
- دیتابیس ها
- نکویی برازش
- نکویی ویژگی‌ها
- نتایج دسته‌بندی
- جمع‌بندی
جمع‌بندی:
در تحلیل داده‌های EEG فریم به فریم به‌صورت متداول تنها مشخصه‌های کلی از یک فریم را می‌توان به دست آورد که در این مورد، ویژگی‌ها با در نظر داشتن کل فریم در یک‌زمان استخراج می‌شوند .در مقابل، در این مقاله، روش استخراج ویژگی به‌صورت دومرحله‌ای ارائه‌شده است. نخست، ویژگی‌ها از یک مدت‌زمان کوتاه با همپوشانی بین فریم‌های فرعی در یک فریم محاسبه می‌شود که این کار باعث می‌شود که تغییرات شدید در زمان ثبت بشود و باعث می‌شود که تغییرات زمانی ویژگی استخراج‌شده در فریم، شناسایی شود. سپس تحلیل‌های آماری و مدل‌سازی بر روی الگوی تغییرات به‌دست‌آمده اعمال می‌شود که باعث می‌شود ما بتوانیم از مشخصه‌های محلی و سراسر یک فریم استفاده کنیم. جدا از تضمین تفکیک زمانی در استخراج ویژگی‌ها، استفاده از سیگنال‌هایی با چند باند باعث می‌شود که تفکیک فرکانسی نیز تضمین شود. در میان مدل‌های مختلف از PDF، مشخص‌شده است که PDF از نوع Rician بهترین کیفیت ویژگی را ازنظر فاصله و GSI ایجاد می‌کند. فارغ از نوع آپنه، روش پیشنهادشده می‌تواند نه‌تنها موارد آپنه ای و افراد سالم را از یکدیگر تفکیک کند، بلکه می‌تواند فریم‌های آپنه ای و غیر آپنه ای در یک بیمار را هم شناسایی کند که این موضوع ، کاربرد بسیار مهمی در پلی سومنوگرافی شبانه (PSG) برای کاهش خطای انسانی، نیروی کار و هزینه دارد. روش پیشنهادشده بر روی سه دیتابیس EEG بزرگ ارزیابی شد و مشخص گردید که این روش نسبت بهروش‌های دسته‌بندی موجود ازنظر معیارهای عملکردی حساسیت، ویژگی و صحت ، برتری دارد. این موضوع باعث می‌شود که روش پیشنهادشده در دامنه‌های تشخیصی گسترده، کاربردهای زیادی داشته باشد.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.