جلسه دفاع از پایان‌نامه: خانم جمیله کریمی، گروه مهندسی پزشکی
 خلاصه خبر: تشخیصِ منابعِ برانگیختگیِ خواب (غیرآپنه) با استفاده از پردازش سیگنال‌های فیزیولوژیکی ثبت شده در حین خواب
چکیده: : اختلالات خواب نقش عمده¬ای در بروز سایر مشکلات فیزیولوژیکی دارد. آکادمی پزشکی خواب آمریکا، برانگیختگی خواب را به شرح زیر تعریف کرده است. هر گونه تغییر ناگهانی در فرکانس الکتروانسفالوگرافی که ممکن است شامل باند تتا، آلفا و/ یا فرکانس های بالاتر از 16 هرتز باشد¬، (بجز رخدادِ Sleep Spindles) که حداقل 3 ثانیه طول بکشد، و قبل از این رخداد فرد حداقل 10 ثانیه خواب ثابت داشته باشد، برانگیختگی خواب محسوب می¬شود. برانگیختگی خواب می¬تواند به صورت خودبه¬خود به عنوان یک پدیده طبیعی صورت گیرد یا در نتیجۀ اختلالات تنفسی یا سایر اختلالات خواب باشد. نوعی اختلالِ خواب موسوم به "برانگیختگی تلاش تنفسی"RERA" وجود دارد که بعد از نارسایی¬های گروهِ آپنه، شایع¬ترین نارسایی تنفسی است و با باریک شدن خفیف راه هوایی فوقانی در هنگام خواب همراه است و منجر به افزایش تنفس می¬شود. همین مشخصه RERA را از هایپوآپنه جدا می¬کند. با بررسی داده¬های مورد استفاده در این مطالعه مشخص شد که، رخداد RERA به صورت نامتقارن در تمام مراحل خواب در مجموعه داده¬ها توزیع شده است. واضح است که، تشخیص منابع اختلالات خواب می¬تواند به درمان آن کمک کند. تشخیص و ثبت دستی اختلالات خواب کاری وقت¬گیر و پرهزینه است زیرا، میزان داده¬های ثبت شده در هر شب قابل توجه است علاوه بر آن، ثبت دستی اختلالات خواب، به دلیل واریانس و تنوع در بیماران و تکنسین¬های ثبت کنندۀ رخداد خواب، امکان بروز خطا را بالا می¬برد. بنابراین، اتوماسیون تشخیص منشاء اختلال خواب مهم است. با هدف یافتن اختلالات "تلاشِ تنفسی" و انواع اختلالات "غیرآپنه- غیر تلاش تنفسی" در سال 2018 چالشی توسط فیزیونت طرح شد که از این پس در این نگارش به "چالش" به آن ارجاع می¬شود. این چالش روش¬های تشخیص خودکار اختلالات خواب را با تمرکز بر اختلالات غیر آپنه مورد هدف قرار داده است. چنین روش¬هایی می¬توانند به عنوان معیار تشخیص و همچنین مطابقت با شواهد تجربی پلی سومنوگرافی و با انحراف کمتر در نتایج، عمل کنند. براساس این چالش مطالعاتی انجام شده است که منجر به تولید روش¬ها و الگوریتم¬های متعددی شده است. این مطالعات با استفاده از روش¬های مختلفی از مدل¬های خطی تعمیم یافته تا شبکه¬های عصبی عمیق انجام شده است. بهترین نتایج با استفاده از شبکه¬های عصبی عمیق، با معیار AUROC و AUPRC به ترتیب، امتیازِ 0.931 و 0.54 را کسب کرده است. همچنین بهترین نتیجۀ کسب شده با استفاده از روش تشخیصِ الگوها و بدون استفاده از شبکه¬های عصبی عمیق با معیارِ AUPRC، دارای امتیازِ 0.29 بوده است.
در مطالعۀ پیش¬رو، یک روش پردازش سیگنال-یادگیری ماشین با رویکرد داده¬محور برای طبقه¬بندی مناطق هدف چالش با سیگنال¬های پلی-سومنوگرافی (PSG) با تمرکز بر روی انتخاب زیرمجموعه ویژگی¬ها و روش¬های اجماعِ نتایج، ارائه شده است. همچنین در آموزشِ مدل، از سیستم¬های یادگیری گروهی استفاده شده است. برای این منظور، ویژگی¬هایی در حوزه¬های مختلف (زمان، فرکانس و زمان-فرکانس) از سیگنال¬های PSG استخراج شده است. با هدف کم کردن فضای ویژگی، ترکیبی از روش¬های انتخاب ویژگی و روشِ آماریِ بوردا به عنوان تکنیکی برای تجمیع رتبه¬های ویژگی¬های انتخاب شده از مرحلۀ قبل، اعمال شده است. با هدف یافتن مجموعه¬ای از ویژگی¬ها ، که بیشترین تاثیر را از نظر تشخیص و تمایز در طبقه¬بندی دارا باشند و حذف ویژگی¬هایی که یا از افزونگی اطلاعات برخوردار باشند یا تاثیری در تشخیص نداشته باشند، از الگوریتم ژنتیک چندهدفه با مرتب‌سازی نامغلوب NSGA II به عنوان الگوریتم بهینه سازی استفاده شده است. از این الگوریتم برای انتخاب ویژگی¬ها و تشکیل فضای ویژگی به همراه استخراج رابطۀ بین تعداد ویژگی¬های تشکیل دهندۀ فضای ویژگی و خطای هر مجموعه ویژگی در رابطه با یادگیرنده مربوط به آن استفاده شده است.
برای مقابله با داده¬های نامتوازن ، از چندین روش استفاده شد و نهایتا یک استراتژی تلفیق داده، از سایر روشها عملکرد و دقت بیشتری را ایجاد کرد. سرانجام، برای به دست آوردن یک طبقه¬بند و مدل مستحکم که از عمومیت خوبی برخوردار باشد، ترکیب نتایج چند گروه مجموعه داده¬های آموزش، با ویژگی¬ها و یادگیرنده¬های مختلف به عنوان مدل نهایی معرفی شده است. همچنین در این مطالعه نتایج تکنیک¬های یادگیری گروهی، شامل تکنیک¬های Bagging و Boosting (روش تقویت تطبیقی)، مقایسه شده و نتایج این مطالعه با مطالعات دیگر در همین زمینه مقایسه گردیده است. این مطالعه با معیار AUROC و AUPRC به ترتیب به نتایجِ 0.925 و 0.512 دست یافت.
22 شهریور 1399 / تعداد نمایش : 1277
|