Диссертация (Разработка технологии и программно-аппаратного комплекса для исследования структуры сна человека), страница 5
Описание файла
Файл "Диссертация" внутри архива находится в папке "Разработка технологии и программно-аппаратного комплекса для исследования структуры сна человека". PDF-файл из архива "Разработка технологии и программно-аппаратного комплекса для исследования структуры сна человека", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "диссертации и авторефераты" в общих файлах, а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 5 страницы из PDF
1.12).33Рис. 1.12. Устройство для мониторинга сна на основе БРЛ от компанииResMed [84]Научно-исследовательская группа из компании Omron предоставилирезультаты отделения сна от бодрствования на основе БРЛ мониторинга [85],каппа Коэна составила 0,31.В работе Rahman et al. [86] была достигнута мера полноты(recall) в 89,6% и 80,2% для задач разделения бодрствования–сна иФБС–ФМС при использовании БРЛ мониторинга. В работе использованыданные только 8 испытуемых. Результаты классификации сравнивались сэталоном, полученным путём автоматического определения структуры снаустройством Zeo [87], представляющим собой одноканальный ЭЭГ сенсор.Использованный эталон не является «золотым стандартом» определенияструктуры сна, таким образом методология данного исследования не вполнекорректна.В работе Kagawa et al.
[88] получили точность 68,1% для задачиПБ–ФБС–ФМС используя биорадар, антенны которого расположенный подматрасом. Данную работу отличает небольшое число испытуемых – 2человека.341.5Формальная постановка задачи определения структуры сна иобоснование критерия качества её решенияВ литературе можно встретить несколько различных постановок задачиопределения структуры сна, а именно определение:1) бодрствования и сна;2) ФБС, ФМС и ПБ;3) ФБС, ПС, ГС и ПБ;4) ФБС, М1, М2, М3 и ПБ;5) ФБС, М1, М2, М3, М4 и ПБ.Кроме того, в отдельных публикациях решается задача выделениякакой-либо одной стадии сна – ФБС [57] или ГС [89] – либо такаяизолированная задача, как разделение ФБС–ФМС в записях из которыхудалены эпохи принадлежащие ПБ [60; 86].Помимо прочего, задача определения структуры сна может бытьсформулирована как задача определения параметров структуры сна, такихкак количество пробуждений, латентность к ФБС и т.д. (с полнымсписком наиболее распространённых параметров сна можно ознакомиться вразделе 1.1).Взависимостиотвыбраннойпостановкизадачимогутбытьиспользованы различные метрики качества её решения.
Рассмотрим метрикикачества определения структуры сна, её элементов и параметров, которыевстречаются в литературе.Для определения цикла сон–бодрствование, разделения ФБС–ФМСили выделения отдельной стадии сна из записи, которые являютсязадачами бинарной классификации, в литературе встречается использованиеследующих критериев качества.35Матрица соответствий (confusion matrix) — показывает соотношениеответов классификатора с истинными. Пусть строки матрицы соответствийотображают истинные классы, а столбцы — ответы алгоритма, тогда элементматрицы , , находящийся на пересечении -й строки и -го столбца,показывает количество объектов класса отнесённых классификатором кклассу .Таблица 6 показывает пример матрицы соответствий для случаяклассификациивмашинномсон–бодрствование.обученииСцельюследованияобозначениямбудемсчитатьпринятымбодрствованиеположительным (positive) классом, а сон отрицательным (negative).
Остальныекритерии качества можно выразить через матрицу соответствий.Таблица 6.Пример матрицы соответствий для случая бинарной классификациисон–бодрствованиеПСГ ↓ Алгоритм → БодрствованиеСонБодрствованиеTrue Positive (TP) False Negative (FN)СонFalse Positive (FP) True Negative (TN)Точность (accuracy, ACC) — доля правильных ответов: = + .
+ + + Точность является наиболее очевидным и простым функционалом качества,но обладает важным недостатком — чувствительностью к соотношениюклассов в данных. Поясним это на примере задачи определения цикласон-бодрствование. В среднем количество эпох принадлежащих классубодрствование в ПСГ записях составляет 25%, а классу сон 75%.
Такимобразом, если классификатор будет относить каждую эпоху к классу сон, тоего точность составить 75%.36(specificity,СпецифичностьSPC) — доляправильноклассифицированных объектов негативного класса: =. + (sensitivity,ЧувствительностьSEN),такжеизвестнаякакполнота (recall, REC) — доля правильно классифицированных объектовположительного класса: =. + По отдельности чувствительность и специфичность дают недостаточноинформации о качестве решения, так как при отнесении всех объектов кодному классу, один из этих критериев качества будет равен 0, а другой 1.Поэтому их всегда используют совместно.Воспроизводимость (precision, PRC) — доля объектов определённых какпозитивный класс, действительно являющихся позитивными: =.
+ Воспроизводимость неинформативна в отрыве от полноты, поэтомучасто используют синтетические метрики на их основе.F-мера (F) — является одним из способов получить одну метрику наоснове воспроизводимости и полноты, представляет собой их гармоническоесреднее: =КаппаКоэна2 * * . + () — коэффициент,межэкспертного согласия:= − ,1 − характеризующийстепень37где — это наблюдаемая согласованность, а — это ожидаемая вероятностьслучайной согласованности, которые выражаются как = = + , + + + ( + )( + ) + ( + )( + ).( + + + )2Применительно к решаемой задаче, одним из экспертов относящихэпохи к одному из классов является специалист анализирующий ПСГ запись,а другим — алгоритм, делающий это автоматически на основе анализапризнаков извлечённых из сигнала.
Каппа Коэна может принимать значения вдиапазоне от −1 до 1. Значение = 1 достигается при полном согласии междуэкспертами, т.е. если все эпохи были классифицированы алгоритмом ровнотакже как и специалистом на основе ПСГ. В свою очередь = 0 означает чторешение не лучше случайного, а отрицательные значения что хуже.ДляслучаевопределенияПБ–ФБС–ФМС,ПБ–ФБС–ПС–ГС,ПБ–ФБС–М1–М2–М3, ПБ–ФБС–М1–М2–М3–М4, которые являются задачамимультиклассовой классификации, можно обобщить описанные выше критериикачества.Так, Таблица 7 показывает обобщение матрицы соответствий для случаямультиклассовой классификации.
Пусть — элемент матрицы; — класс,стадия сна или бодрствование; — сумма элементов -й строки; — суммаэлементов -й строки; — количество классов; а — общее количествообъектов.Тогда, точность можно выразить следующим образом:∑︀ ==1 .38Таблица 7.Пример матрицы соответствий для случая мультиклассовой классификацииПСГ ↓ Алгоритм → 12... Сумма111 12 ... 1 1221 22 ...
2 2............ ......1 2 ... Сумма12... А каппу Коэна:=где − ,1 − ∑︀=1 =,∑︀=1 .2 =Остальныекритерии,которыеприменяютсядлябинарнойклассификации, также могут быть обобщены для случая мультиклассовойклассификации. Например, путём разбиением задачи классификации на классов на задач бинарной классификации, вычислении критерия качествадля каждой из них с последующим его усреднением.Качество определения параметров сна может быть оценено с помощьюабсолютной ошибки и коэффициента корреляции Пирсона.Абсолютнаяошибкадаётоценкуразницымеждузначениямипараметров сна, определёнными с помощью алгоритма, с истинными,определёнными на основе анализа сигналов ПСГ, и определяется формулой:∑︀△ ==1 |− |,где — количество испытуемых, — истинное значение параметра сна для-го испытуемого, — значение параметра сна определённое алгоритмом для-го испытуемого.39Коэффициента корреляции Пирсона показывает степень линейнойзависимости между оценёнными параметрами сна и их истиннымизначениями, и определяется формулой:∑︀=1 (− )( − ),∑︀ 2 2=1 ( − )=1 ( − ) = √︁∑︀где и — средние значения оценённых и истинных параметров снасоответственно.Рассмотримвышеприведённыепостановкизадачиопределенияструктуры сна.Определение параметров структуры сна может быть применимодля автоматической постановки диагноза на основе их анализа, однаконе позволяет врачу визуально оценить структуру сна (её регулярность,распределение пробуждений, представленность ФБС и ГС в циклах и т.д.).Выделение отдельной стадии сна или классификация ФБС–ФМСнеприменимы в клинической практике и могут быть рассмотрены толькокак узкоспециализированные задачи для исследований, проводимых с цельюулучшения качества распознавания отдельной стадии сна.Разделение бодрствования и сна применяется в настоящий моментв клинической практике для диагностики инсомнии и нарушений цикла«сон–бодрствование» с помощью метода актиграфии, однако не позволяетопределять такие важные диагностически показатели как представленностьФБС и ГС в структуре сна.Классификация на три класса — ПБ–ФБС–ФМС — не позволяет оценитьпредставленность ГС, в то время как значения данного показателя меньшенижней границы нормы в 15% может рассматриваться как один из признаковинсомнии или других нарушений сна.40КлассификациянаПБ–ФБС–М1–М2–М3–М4потеряласвоюактуальность в связи с тем, что согласно обновлённому стандарту AASM от2007 г.
стадии М3 и М4 были объединены в одну.Таким образом, в качестве актуальных формулировок определенияструктуры сна можно рассматривать разделение на ПБ–ФБС–ПС–ГС иПБ–ФБС–М1–М2–М3. Однако, представленность М1 в структуре сна крайнемала (~3%), что усложняет её точное автоматическое распознавание, при этомдиагностическая ценность определения данной стадии сна не очевидна, вотличии от ФБС и ГС.Таким образом, под определением структуры сна в данной работе будеподразумеваться классификация эпох на один из следующих 4 классов: ПБ,ФБС, ПС и ГС. Запишем формальную поставку этой задачи.Пусть — множество эпох сна, ∈ {,,,} — множествовозможных классов эпох (ПБ, ФБС, ПС и ГС соответственно). Существуетцелевая зависимость * : → , значения которой известны только дляэпох испытуемых из обучающей выборки {1 , 2 ,..., } ⊂ .