基于ReliefF-mRMR特征选择的OSAHS患者的鉴定
Ziqiang Ye1, Jianxin Peng2, Xiaowen Zhang3
1School of Physics and Optoelectronics, South China University of Technology, Guangzhou, 510640, China.
Physical and engineering sciences in medicine
|October 25, 2023
概括
打分析可以识别阻塞性睡眠呼吸暂停性呼吸暂停综合征 (OSAHS). 机器学习模型通过声学打功能准确地检测OSAHS患者,提供一种非侵入性诊断方法.
科学领域:
- 睡眠医学 睡眠医学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 阻塞性睡眠呼吸暂停症候群 (OSAHS) 是一种普遍的慢性睡眠障碍.
- 打是与OSAHS相关的常见,可观察到的症状.
- 准确识别OSAHS患者对于有效管理至关重要.
研究的目的:
- 为了识别阻塞性睡眠呼吸暂停 (OSAHS) 患者.
- 分析用于OSAHS检测的打声音的声学特征.
- 开发和验证用于OSAHS患者识别的机器学习模型.
主要方法:
- 从打声音中提取了十个声学特征,包括Mel频 cepstral 系数 (MFCC) 和线性预测系数 (LPC).
- 应用合并的特征选择算法 (ReliefF和mRMR) 进行最佳特征集选择.
- 使用四种机器学习模型进行验证,包括支持矢量机 (SVM).
主要成果:
- 拟议的特征选择算法有效地识别了像MFCC和LPC这样的高贡献特征.
- 使用前20个选定的特征和SVM模型,OSAHS识别准确率为100% (AHI=5),100% (AHI=15) 和98.94% (AHI=30).
- 该模型在识别不同严重程度值的OSAHS患者方面表现出高效.
结论:
- 对打声音的声学分析与机器学习相结合,为OSAHS识别提供了一种有效的方法.
- 提出的特征选择和机器学习方法为OSAHS诊断提供了一个有希望的非侵入性工具.
- 这项研究强调了利用打声音特征来改善睡眠障碍检测的潜力.
