Автореферат (1026107), страница 3
Текст из файла (страница 3)
Под априорными вероятностями в данном контексте будем пониматьраспределение вероятностей принадлежности эпохи к одному из классов{, , , }, которое было оценено только на основе позиции эпохи и данныхоб испытуемом, без использования признаков, извлечённых из сигналов.В данной главе разработано 5 методов, позволяющих частично учестьособенности структуры сна.Первый метод заключается во введении нового признака в описаниеэпохи — нормализованного индекса эпохи: = ×100, где — порядковыйномер эпохи в записи, — общее количество эпох в записи.Второй метод заключается в непосредственной оценке априорныхвероятностей в течение всей ночи на основе анализа частоты встречаемостистадий в зависимости от индекса эпохи (Рис. 2). Полученное распределениесогласуется с его теоретическими качественными оценками: априорнаявероятность принадлежности эпохи к ПБ максимальна в начале и в концезаписи; априорная вероятность принадлежности к ГС выше в первой половинесна; а априорная вероятность принадлежности к ФБС выше во второйполовине сна.Рис.
2. Изменение априорных вероятностей принадлежности эпохик той или иной стадии сна и бодрствованию в течение ночного снаТаким образом, в описание эпохи вводится 4 новых признака{ , , , }, описывающие априорные вероятности для эпохи на основееё положения в записи.Третий метод заключается в оценке априорных вероятностей наоснове позиции эпохи в цикле. С этой целью была разработана9математическая модель, представляющаяуравнений логистической регрессии: = ∑︀собой∈{,,,} следующуюсистему,⎧1⎪⎪ =⎪⎪1 + −⎪⎪⎪1⎪⎪⎨ =1 + − ,1⎪⎪=⎪⎪⎪1 + −⎪⎪⎪1⎪⎩ =1 + − = 0 + 1 3 + 2 2 + 3 + 4 ,где — нормализованный индекс эпохи в цикле, — номер цикла, а ∈{,,,}.На Рис. 3 показано распределение априорных вероятностей согласноразработанной модели для сна, состоящего из 5 циклов, длительностью в 100эпох каждый.Рис.
3. Распределение априорных вероятностей согласно модели для сна,состоящего из 5 циклов длительностью по 100 эпохЧетвёртый метод заключается в использовании эвристик, применяемыхпосле первоначальной классификации эпох:101) если эпоха не принадлежит к бодрствованию и ни к одному изклассов соседних эпох, то ей присваивается класс предыдущейэпохи;2) если ФБС эпоха располагается в первые минут записи, то ейприсваивается класс предыдущей эпохи;3) если интервал между ФБС эпохами был меньше, чем минут, всеэпохи между ними классифицируются как ФБС;4) если интервал между ГС эпохами меньше, чем минут, все эпохимежду ними классифицируются как ГС.Пятый метод заключается в применении двухступенчатойклассификации с целью учёта зависимости класса эпохи от соседнихэпох.
Во время первоначальной классификации на основе признаков,извлечённых из сигнала, проводится оценка вероятности принадлежности эпохи к стадиям = { , , , } вместо определения класса длякаждой эпохи. Вероятности целевой эпохи и её соседей используютсяв качестве признаков для повторной классификации. Таким образом, -яэпоха описывается следующим множеством признаков для повторнойклассификации {,− ,,−+1 ,...,,−1 ,, ,,+1 ,...,,+−1 ,,+ }, где — этоколичество учитываемых соседей -й эпохи с левой стороны от неё, а — справой.Четвёртая глава посвящена разработке и апробации БТС длядлительного автоматического определения структуры сна человека.В ходе диссертационного исследования, на базе ФГБУ«СЗМИЦ им.
В.А. Алмазова» Минздрава России (г. Санкт-Петербург)собраны данные БРЛ мониторинга и ПСГ исследования, проведённыхпараллельно для 32 испытуемых (возраст 44,2 ± 15,4 лет; индекс массы тела27,0 ± 5,9; 12 мужчин; 4 испытуемых с инсомнией), которые были направленыдля выполнения ПСГ в связи с подозрением на наличие нарушений сна.По результатам проведённого ПСГ исследования, нарушения дыхания вовремя сна у всех испытуемых были исключены. Структура сна для каждогоиспытуемого была построена врачом-сомнологом на основе данных ПСГ.БРЛ мониторинг проводился с помощью радара «БиоРаскан», разработанногов Лаборатории дистанционного зондирования МГТУ им.
Н.Э. Баумана.БиоРаскан использует непрерывный сигнал со ступенчатой частотноймодуляцией и имеет 8 операционных частот в диапазоне от 3,6 до 4,0 ГГц.Максимальная плотность потока энергии (ППЭ ) составляет 1,36 мкВт/см2 ,выходная мощность не более 3 мВт.Разработан алгоритм предобработки сигналов БРЛ, позволяющийопределять артефакты и ДЦ. На собранных данных вручную былиразмечены артефактные области, а также выделены ДЦ. Параметры алгоритмаопределения артефактов (критерий наличия артефакта, длина и шаг окна, идр.) были подобраны с целью баланса чувствительности и специфичности.Чувствительность алгоритма составила 90,17%, специфичность 90,12%,11а точность 90,14%. ДЦ определялись путём поиска точек перегиба на БРЛсигнале, очищенном от артефактов (Рис.
4). Получена точность 96,79% ичувствительность 98,19% определения ДЦ.Рис. 4. Определение дыхательных циклов на БРЛ сигналеПредложен набор из 54 признаков, извлечённых из БРЛ сигнала,для описания эпохи с целью её дальнейшей классификации. Признакипредставляют из себя признаки двигательной активности, спектральныепризнаки, статистические признаки на основе параметров ДЦ и признакирегулярности дыхательного паттерна.Проведён анализ информативности признаков на основе оценкиинформационного прироста (information gain), который показал, что наиболееполезными в задаче распознавания структуры сна и отдельных стадийоказались частота дыхания, энергия сигнала во время артефакта движения,продолжительность артефакта движения, нормализованная медиана амплитуд(1 ,2 ,..., )(1 ,2 ,..., )и впадин =ДЦ (Рис.
4).пиков =(1 ,2 ,..., )(1 ,2 ,..., )Проведён сравнительный анализ эффективности различных методовклассификации на разных наборах признаков. Наилучшие результаты былиполучены с помощью метода XGBoost, представляющего собой методобучения и композиции деревьев решений. Пространство признаков былопроанализировано с помощью внутреннего критерия качества метода XGBoostи сокращено до 23 признаков, с использованием которых достигнутомаксимальное качество определения структуры сна.
После оптимизациигиперпараметров данного алгоритма были получены следующие средниезначения : 0,4156 для испытуемых без инсомнии; 0,4239 для испытуемыхс инсомнией; 0,4167 для всех испытуемых.Проведена апробация разработанных в Главе 3 методов учётаособенностей структуры сна на собранных данных БРЛ мониторинга.Результаты апробации представлены в Таблице 2. Лучшие результатыполучены с совместным использованием индекса эпохи, двухступенчатойклассификации и модели оценки априорных вероятностей на основе цикловсна. Финальный алгоритм представлен на Рис. 5.
Данный алгоритм позволяетполучить следующие средние значения : 0,5040 для испытуемых безинсомнии, 0,5070 для испытуемых с инсомнией, 0,5045 для всех испытуемых.12Таблица 2.Изменение качества определения структуры сна при использовании методовучёта структуры сна. Значения приведены в процентных пунктахИндекс эпохиАприорныевероятностиЭвристикиДвухступенчатаяклассификацияЦикл. модель оценкиаприор. вероятностейКомпозиция методовИспытуемые безинсомнииИспытуемые синсомниейВсе испытуемые1,881,310,090,011,621,133,746,352,204,113,556,085,994,545,808,848,398,78Полученные результаты не уступают представленным в литературе работам,в которых использовались контактные датчики для регистрации ВСР идыхательных движений.Рис. 5. Блок-схема алгоритма определения структуры снаНа Рис.
6 и 7 представлены примеры гипнограмм, построенныхданным алгоритмом на основе бесконтактного БРЛ мониторинга и врачом наоснове ПСГ для испытуемых с инсомнией и без неё.Рис. 6. Сравнение гипнограмм, построенных алгоритмом на основе БРЛмониторинга и врачом на основе ПСГ для испытуемого с инсомниейСогласно гипнограмме, построенной алгоритмом, эффективность снадля больного инсомнией составляет 59,3% (58,2% по ПСГ), а общее времясна — 278 мин. (273 мин.
по ПСГ). Данные показатели для практическиздорового испытуемого составляют 85,4% (88,8% по ПСГ) и 431,5 мин. (44813Рис. 7. Сравнение гипнограмм, построенных алгоритмом на основе БРЛмониторинга и врачом на основе ПСГ для испытуемого без инсомниимин. по ПСГ) соответственно, что позволяет сделать вывод о возможностиопределения инсомнии на основе БРЛ мониторинга структуры сна.Структурная схема БТС для длительного бесконтактного мониторингаструктуры сна на основе БРЛ представлена на Рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
