Диссертация (Разработка технологии и программно-аппаратного комплекса для исследования структуры сна человека), страница 8
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 8 страницы из PDF
Как соотносится качество определения структуры сна на основеанализа дыхательных движений по сравнению с качеством решенияданной задачи, полученном при совместном использовании анализасердечного ритма и дыхательных движений?Для ответа на поставленные вопросы было проведено исследованиеэффективности определения структуры сна по анализу дыхательныхдвижений в отдельности и совместно с ВСР, которые были зарегистрированыс помощью стандартных методов, включённых в ПСГ: ЭКГ и РИП. Данноеисследование проводилось на основе данных из открытой базы ПСГ записейSHHS1 [144; 145], которая содержит записи 5793 испытуемых. Из них былоотобрано 625 записей, которые соответствовали следующим критериям:57– отсутствие НДВС (ИАГ < 5);– длительность артефактов на сигнале ЭКГ не превышает 1 час;– длительность артефактов на сигнале РИП не превышает 1 час.Длительность артефактов определялась квалифицированным техником ипредоставлялась вместе с записями.
Характеристики выборки представлены вТаблице 10.Таблица 10.Характеристики выборки (N = 625)Количество эпохМужчины:женщиныВозраст (лет)Бодрствование (%)ФБС (%)Поверхностный сон (%)Глубокий сон (%)Эффективность сна (%)Входеисследованиябыл632429171:45458,89 ± 11,88(39,00 − 90,00)26,29 ± 11,32(4,38 − 72,62)14,85 ± 5,87(0,00 − 29,34)44,41 ± 11,53(6,48 − 91,33)14,45 ± 9,23(0,00 − 45,44)85,82 ± 8,70(40,96 − 98,47)разработаналгоритм,позволяющийопределять структуру сна как только на основе анализа дыхательныхдвижений (Рис. 2.6), так и на основе анализа ВСР и дыхательных движенийсовместно (Рис.
2.7). Рассмотрим отдельные этапы алгоритма подробнее.Рис. 2.6. Блок-схема алгоритма определения структуры сна на основе анализадыхательных движений, зарегистрированных с помощью РИПРис. 2.7. Блок-схема алгоритма определения структуры сна на основе анализаВСР и дыхательных движений, зарегистрированных стандартнымиконтактными методами58Раздел2.3опубликованныхчастичноосновансовместноснаработахсоавторами[14; 20; 22; 27; 31],Л.Н.Анищенко,Л.С. Коростовцевой, М.В.
Бочкаревым, Ю.В. Свиряевым, Б.Ж. Коой,М.Д. Алехиным. Представленный в диссертации материал принадлежитавтору.2.3.2Предобработка сигналовАлгоритм предобработки РИП сигнала (Рис. 2.8) представлен на Рис. 2.9.Рис. 2.8. Cигнал c торакального датчика респираторной индуктивнойплетизмографии до обработкиФильтрациясигналапроизводиласьфильтромнижнихчастотБаттерворта 5-го порядка с частотой среза 0,6 Гц. Артефакты определялисьс помощью анализа энтропии сигнала. Энтропия сигнала рассчитываласьскользящим окном длительностью 5 с. с шагов в 2 сек.
Интервалы, вкоторых уровень энтропии превышал среднее значение для записи в три раза,определялись как артефактные.Двигательная активность может приводить к смещению датчика, чтовлияет на амплитуду регистрируемого сигнала. Следовательно, существуетнеобходимость в нормализации межартефактных периодов (МАП). МАП59Рис. 2.9.
Алгоритм предобработки сигнала респираторной индуктивнойплетизмографиинормализовались с помощью Z-нормализации: = − ,()где — МАП, — среднее значение МАП, а () — СО МАП.Затем ДЦ определялись путём поиска локальных минимум имаксимумов. В итоге каждый ДЦ описывался следующими параметрами(Рис. 2.10):– координаты точки начала ДЦ (впадина) ( , );– координаты точки конца инспираторной фазы ДЦ (пик) ( , );– координаты точки конца ДЦ ( , );– амплитуда ДЦ = − ( , );– ширина ДЦ = − ДЦ с амплитудой или шириной, которые превышали средние значениядля испытуемого более чем в два раза считались артефактными и неучитываются при дальнейшем анализе.60Рис.
2.10. Дыхательные циклы на РИП сигналеКроме того, определялись межпиковые интервалы (МПИ) — расстояниямежду пиками ДЦ.Обработка сигналов ЭКГ является хорошо изученной областью техники,вследствие чего существует значительное количество стандартных алгоритмови методов обработки, как и пакетов их реализующих.
В данной работеидентификация QRS-комплексов на ЭКГ осуществлялась с помощьюалгоритма wavedet [146], а фильтрация и извлечение признаков из полученнойритмограммы осуществлялось с помощью пакета RHRV [147]. Фильтрацияпроизводилось следующим образом. Во-первых, любой кардиоинтервалдлительностью менее 0,4 с. или более 2,0 с. удалялся.
Во-вторых, интервалудалялся, если он отличался более чем на 20% от среднего 40 интервалов(по 20 по обе стороны от текущего). Удалённый интервал интерполировалсякубическими сплайнами.2.3.3Извлечение признаков из сигнала ВСРМетоды извлечения признаков из сигнала ВСР можно условноразделить на методы основанные на статистических преобразованияхвременных рядов (временные признаки), методы анализа волновой структуры(спектральные признаки) и методы анализа нелинейных процессов в ВСР61(нелинейные признаки). Приведём описание признаков ВСР, используемых вразработанном алгоритме.Временные признакиSDNN — стандартное отклонение RR-интервалов:⎯⎸⎸ = ⎷SDSD — стандартное1 ∑︁( − )2 .
− 1 =1отклонениеразностеймеждусоседнимиRR-интервалами:⎯⎸⎸ = ⎷1 ∑︁(∆ − ∆)2 , − 1 =1где ∆ = +1 − .rMSSD — квадратныйкореньсуммыразностейпоследовательныхRR-интервалов:⎯⎸⎸ = ⎷1 ∑︁(∆ )2 . − 1 =1IRRR — интервал между первым и третьим квантилем разностейпоследовательных RR-интервалов: = 3Δ − 1Δ .MADRR — медианамодулейразностейRR-интервалов: = (|∆|),где — медиана.последовательных62SDANN — стандартное отклонение средних значений NN-интервалов,вычисленных по коротким промежуткам:⎯⎸⎸ 1 ∑︁⎷ =( − )2 , =1где — количество коротких промежутков, — среднее значение RR-интервалов на коротких промежутках, — среднее значение всех .SDNNIDX — среднеезначениесреднеквадратичныхотклоненийNN-интервалов на коротких промежутках:1 ∑︁ = , =1где — количество коротких промежутков.pNN50 — доля ∆ > 50 мс⎯⎸⎸ 50 = ⎷1 ∑︁(∆ > 50), − 1 =1где — количество RR-интервалов.Спектральные признакиДля анализа ВСР широкое распространение получили признаки,основанные на анализе мощности волн в различных диапазонах.
При анализеВСР выделяют четыре диапазона волн:– ULF — волны ультранизкой частоты от 0,000 до 0,003 Гц (Ultra LowFrequency);– VLF — волны очень низкой частоты от 0,003 до 0,05 Гц (Very LowFrequency);63– LF — волны низкой частоты от 0,05 до 0,15 Гц (Low Frequency),ассоциированы с активностью СНС;– HF — волны высокой частоты от 0,15 до 0,40 Гц (High Frequency),ассоцированы с активностью ПНС.Кроме того, оценивается общая мощность спектра TP (Total Power) исоотношение LF/HF.Нелинейные признакиДля анализа ВСР применяются множество нелинейных методов.
Вданном исследовании использовались следующие методы: анализ флуктуацийотносительного тренда (DFA, Detrended Fluctuation Analysis), количественныйанализ рекуррентных диаграмм (RQA, Recurrence Quantification Analysis),график Пуанкаре (Poincare Plot), энтропия подобия (ApEn, ApproximateEntropy) и энтропия шаблонов (SampEn, Sample Entropy).DFA — метод анализа корреляций во временных рядах, широкоприменяется при анализе физиологических сигналов.
Впервые был предложенPeng C.K. et al. в 1994 году [148], а затем подробно описан в последующейработе в 1995 [149]. C помощью данного метода определялись двапризнака: 1 — коэффициент краткосрочной флуктуации и 2 — коэффициентдолгосрочной флуктуации.RQA — метод количественного описания рекуррентных диаграмм.Рекуррентные диаграммы представляют собой рекуррентную матрицу котораяявляется двухмерной проекцией повторяющихся состояний динамическойсистемы в N-мерном фазовом пространстве [150]. На Рис. 2.11 представленпример рекуррентной диаграммы.Введём следующие обозначения:– — количество точек на траектории в фазовом пространстве,– — количество диагональных линий на рекуррентной диаграмме,64Рис.
2.11. Пример рекуррентной диаграммы [151]– — количество вертикальных линий на рекуррентной диаграмме,– () — гистограмма длин диагональных линий,– () — гистограмма длин вертикальных линий,̃︀ — максимальное число диагональных линий параллельных главной– рассматриваемых для расчета ;и опишем основные RQA признаки.REC (Recurrence) — процент рекуррентных точек в рекуррентнойматрице:1 ∑︁ = 2, . ,=1DET(Determinism) — процентрекуррентныхточексоставляющихточексоставляющихдиагональные линии матрицы:∑︀ =LAM(Laminarity) — процент= ().∑︀, ,рекуррентныхвертикальные линии матрицы:∑︀= () = ∑︀.()=165RATIO — отношение между REC и DET:∑︀ () = 2 ∑︀=.2( ())=1 — длинна наиболее длинной диагональной линии: = ({ ; = 1...