使用基于机器学习分类器的心电图信号检测呼吸暂停,以及其性能
Rolant Gini J1, Dhanalakshmi K1
1Department of Electronics and Communication Engineering, Amrita School of Engineering, Coimbatore, Amrita Vishwa Vidyapeetham, India.
Journal of medical engineering & technology
|April 16, 2024
概括
机器学习使用心电图 (ECG) 信号准确地检测睡眠呼吸暂停. 这种具有成本效益的方法为诊断这种常见睡眠障碍提供了可靠的方法.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
- 睡眠医学 睡眠医学
背景情况:
- 睡眠呼吸暂停是一种普遍的睡眠障碍,其特征是呼吸道阻塞.
- 它与各种健康状况有关,包括中风,抑郁症和神经认知障碍.
- 目前的诊断方法可能不方便且昂贵.
研究的目的:
- 开发一种具有成本效益和方便的睡眠呼吸暂停检测方法.
- 探索使用心电图 (ECG) 信号的机器学习技术的有效性.
- 为了简化睡眠呼吸暂停的诊断.
主要方法:
- 用心电图 (ECG) 信号作为主要数据来源.
- 电图信号经过预处理以消除噪音和人工物.
- 提取了时间和频率域特征,包括使用Welch方法的功率光谱密度.
- 机器学习分类器 (SVM,决策树,k-NN,随机森林) 用于睡眠呼吸暂停的检测.
主要成果:
- k-最近邻居 (k-NN) 分类器实现了最高准确率的92.85%.
- 这种高精度是使用仅10个提取的特征获得的.
- 拟议的方法在检测睡眠呼吸暂停时证明了可靠性和有效性.
结论:
- 应用于ECG信号分析的机器学习技术为检测睡眠呼吸暂停提供了可靠和有前途的方法.
- 拟议的方法提供了一个可行的,方便和成本效益的诊断解决方案.
- 减少特征集可以在睡眠呼吸暂停诊断中产生高准确度.
