基于心电图的呼吸暂停检测通过多级处理混合波纹-实证分解 Hjorth特征提取和神经网络的神经网络的混合

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 睡眠呼吸暂停 (SA) 对健康构成重大风险,包括中风和神经系统疾病.
• 目前的诊断方法,如多睡眠学 (PSG) 是昂贵的,在许多地区无法获得.
• 需要自动化,具有成本效益的SA检测方法.

研究的目的:

• 开发一种使用心电图 (ECG) 信号进行睡眠呼吸暂停分类的自动化和具有成本效益的方法.
• 探索混合信号处理和机器学习技术在SA检测中的有效性.
• 为睡眠呼吸暂停提供可访问的诊断工具,特别是在资源有限的环境中.

主要方法:

• 一个新的功能空间设计结合了多级处理,波纹-实证模式分解 (W-EMD) 和Hjorth特征.
• 从心电图子频段中提取内在模式函数 (IMF) 和Hjorth特征 (复杂性,活动,移动性).
• 一个基于Adam的优化多层感知神经网络 (MLPNN),用于自动的呼吸暂停分类.

主要成果:

• 拟议的方法在睡眠呼吸暂停检测方面实现了高分类准确率,达到98.12%.
• 在四个心电图子频段中评估了性能,每个子频段提取了五个内在模式函数 (IMF).
• 与最先进的方法进行系统比较,证明了开发的方法的优越性.

结论:

• 开发的基于心电图的方法为睡眠呼吸暂停检测提供了一个高度准确和自动化的解决方案.
• 这种技术为传统的PSG提供了具有成本效益和可访问性的替代方案,改善了SA诊断的可访问性.
• 混合W-EMD,Hjorth特征和优化的MLPNN方法显示出临床应用的重大前景.