متن کامل خبر


 
جلسه دفاع از پایان‌نامه: آقای اصغر زارعی، گروه مهندسی مهندسی پزشکی

خلاصه خبر: تشخیص آپنه خواب از روی سیگنال ECG و تعیین شدت آپنه

  • عنوان: تشخیص آپنه خواب از روی سیگنال ECG و تعیین شدت آپنه
  • ارائه‌کننده: اصغر زارعی
  • استاد راهنما: دکتر بابک محمدزاده اصل
  • استاد ناظر داخلی اول: دکتر علی محلوجی فر
  • استاد ناظر خارجی اول: دکتر محمد پویان (دانشگاه: شاهد )
  • مکان: اتاق شورا
  • تاریخ: 96/11/14
  • ساعت: 15:00

چکیده: آپنه خواب یک اختلال تنفسی است که به‌وسیله توقف¬های مکرر تنفسی حداقل به مدت 10 ثانیه مشخص می‌شود. این بیماری کیفیت زندگی را به شدت تحت تاثیر قرار می¬دهد و تعداد افراد مبتلا به آن در حال افزایش است. در حال حاضر استاندارد اصلی تشخیص آپنه خواب پلی¬سومنوگرافی می¬باشد. به دلیل زمان¬بر بودن و پرهزینه بودن این روش، روش¬های تشخیص خودکار آپنه خواب درعمل، بر روی تشخیص آپنه از روی سیگنال ECG تک لید تمرکز کرده¬اند. در این پایان‌نامه ابتدا در قسمت پیش¬پردازش یک روش خودکار برای تشخیص و حذف پنجره¬های نویزی پیاده¬سازی شد. سپس سه روش جدید برای تشخیص و طبقه¬بندی خودکار وقایع آپنه و غیرآپنه ارائه شد. به منظور ارزیابی روش¬های پیشنهادی از پایگاه داده¬ی فیزیونت Apnea-ECG که شامل 70 ثبت از سیگنال¬های تک لید ECG است، استفاده شد. در روش اول ویژگی¬های آنتروپی الفبا، آنتروپی فازی، آنتروپی تقریبی، آنتروپی نمونه¬ای، آنتروپی شرطی اصلاح شده، آنتروپی جایگشت و آنتروپی کارناپ به همراه سایر ویژگی¬های شناخته شده مانند ویژگی¬های توان، MAD، چولگی، آنتروپی شانون و pNN50 از روی سیگنال¬های HRV و EDR استخراج شدند. بهترین مجموعه ویژگی¬ها با استفاده از الگوریتم انتخاب ویژگی جستجوی ترتیبی رو¬به¬جلو(SFS) انتخاب شد. طبقه¬بند SVM با کرنل RBF دقت برابر با 49/91% (حساسیت 07/91%، اختصاصیت 14/95% و AUC برابر با 98/0) در جداسازی وقایع آپنه و غیرآپنه بر اساس دقیقه¬بردقیقه فراهم کرد که بهتر از سایر روش-های موجود است. همپنین روش پیشنهادی، شدت آپنه افراد را با دقت برابر با 52/96% ( حساسیت 49/98%، اختصاصیت 17/95%) تخمین زد. در روش دوم استخراج ویژگی¬های غیرخطی از روی ضرایب تبدیل موجک حاصل از تجزیه سیگنال ECG و روش¬های مختلف طبقه¬بندی بررسی شد. این روش از اطلاعات پنهان موجود در سیگنال ECG برای تشخیص وقایع آپنه استفاده می¬کند. به این صورت که ابتدا سیگنال ECG با استفاده از تبدیل موجک، با تابع موجک مادر Sym3 تا 8 سطح تجزیه شد. سپس ویژگی¬های مبتنی بر آنتروپی شامل؛ آنتروپی فازی، تقریبی، نمونه¬ای و آنتروپی شرطی اصلاح شده به همراه سایر ویژگی¬های غیرخطی شامل؛ فاصله¬ی بین چارکی، MAD، واریانس، نمودار پوانکاره و نموداربازگشتی از روی ضرایب تبدیل موجک استخراج شد. همانند روش قبل بهترین ویژگی¬ها با استفاده الگوریتم خودکار SFS انتخاب و به ورودی طبقه¬بندی¬های مختلف اعمال شدند. طبقه¬بند SVM با کرنل RBF دقت برابر با 16/94% (حساسیت 41/92%، اختصاصیت 39/95% و AUC برابر با 9819/0) در دسته¬بندی وقایع آپنه و سالم بر اساس دقیقه¬بردقیقه فراهم کرد که بهتر از سایر روش¬های موجود است. همپنین در این روش، شدت آپنه افراد با دقت 71/95% (حساسیت 83/95% و اختصاصیت 66/95%) تخمین زده شد. در روش سوم ابتدا یک مدل AR از مرتبه¬ی 10 بر روی سیگنال ECG برازش شد. سپس ضرایب مدل AR با ویژگی‌های وزنی مبتنی بر اطلاعات متقابل، اطلاعات متقابل شرطی، همبستگی و آنتروپی جایگشت که از خود پنجره¬ها و توابع خودهمبستگی آن¬ها استخراج شده بودند، ادغام شد. ویژگی¬های انتخاب شده توسط الگوریتم SFS به ورودی طبقه‌بندهای مختلف اعمال شد. در این روش، طبقه¬بند SVM با کرنل RBF دقت 49/91% (حساسیت 11/88%، اختصاصیت 64/93% و AUC برابر با 96/0) را در طبقه¬بندی دقیقه¬به¬دقیقه و دقت 14/97% (حساسیت 100%، اختصاصیت 65/95%) را در تخمین شدت افراد فراهم کرد. نتایج نشان می¬دهند که استفاده فقط از سیگنال ECG تک لید می¬تواند دقت خوبی در تشخیص وقایع آپنه فراهم کند. همچنین نتایج بدست آمده توسط روش¬های پیشنهادی نشان می¬دهند که استخراج اطلاعات پنهان موجود در سیگنال ECG، توسط ویژگی¬های غیرخطی، موجب افزایش دقت تشخیص وقایع آپنه و سالم در مقایسه با روش¬های ذکر شده در ادبیات برای تشخیص خودکار آپنه می¬شود.
کلمات کلیدی: الکتروکاردیوگرام (ECG)، تشخیص آپنه خواب، تبدیل موجک، آنتروپی شرطی اصلاح شده، آنتروپی فازی، آنتروپی الفبا، مدل AR، ویژگی¬های وزنی، طبقه‌بند SVM.

11 بهمن 1396 / تعداد نمایش : 45