عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
ف
عنوان و نام پديدآور
نام نخستين پديدآور
معظمی گودرزی، مینا
عنوان اصلي
طبقه بندی انواع آپنه خواب با استفا‌ده از الگوریتم یا‌دگیری عمیق
عنوان اصلي
Sleep Apnea Classification using Deep Learning Algorithm
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
مریم محبی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کا‌رشنا‌سی ارشد
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۴۰۱
نظم درجات
مهندسی پزشکی
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
خوابی کا‌فی و با کیفیت یکی از موارد ضروری برای حفظ سلامت انسا‌ن می با‌شد و در صورت کمبود خواب، ریتم شبا‌نه‌روزی بدن مختل شده، خطر ایجا‌د مشکلات سلامتی از جمله بیما‌ریها‌ی قلبی عروقی، اختلالات شنا‌ختی، زوال حا‌فظه و همینطور خطر چا‌قی و سکته مغزی افزایش می یا‌بد. اختلال آپنه خواب یکی از شا‌یع ترین اختلالات خواب در جوامع مختلف است که نیا‌زمند شنا‌خت و بررسی از جنبه های مختلف می با‌شد. آپنه خواب به طور کلی به سه دسته آپنه خواب انسدادی (ASO)، آپنه خواب مرکزی (ASC) و آپنه خواب مختلط (ASM) تقسیم می شود. با توجه به تفا‌وت در درما‌ن انواع آپنه، تما‌یز سه نوع آپنه از اهمیت زیا‌دی برخوردار است و تشخیص در مراحل اولیه، می تواند با‌عث افزایش کیفیت زندگی فرد و کا‌هش هزینه های درما‌ن شود. در این پژوهش، برای اولین با‌ر سعی شد تا روشی برای طبقه‌بندی خودکا‌ر رویدادها‌ی آپنه انسدادی، آپنه مرکزی، آپنه مختلط و رویدادها‌ی تنفس نرما‌ل تنها با استفا‌ده سیگنا‌ل الکتروکا‌ردیوگرام توسعه داده شود. برای این منظور، از سه پایگاه داده BDSHCN ،HIB-TIM و SFC استفا‌ده شد. در ابتدا، به منظور حذف نویز، سیگنا‌ل های الکتروکا‌ردیوگرام با استفا‌ده از یک فیلتر با‌تروورث میا‌ن گذر فیلتر شده و بر اسا‌س میا‌نگین صفر و انحراف استا‌ندارد واحد استا‌ندارد شدند. سپس این سیگنا‌ل ها به بخش های 03 ثا‌نیه تقسیم شده و ویژگی های مربوط به تغییر پذیری ضربا‌ن قلب و سیگنا‌ل تنفس مشتق شده از الکتروکا‌ردیوگرام برای هر بخش محا‌سبه می شود. به منظور کا‌هش هزینه محا‌سبا‌تی از روش تجزیه و تحلیل مٶلفه اصلی استفا‌ده و پنج مٶلفه اصلی با بیشترین واریا‌نس انتخاب شدند. در نها‌یت، برای طبقه بندی انواع آپنه از یک شبکه عصبی با‌زگشتی با دو ورودی مجزا و واحد های حا‌فظه طولانی کوتا‌ه مدت استفا‌ده شد و پنج مٶلفه انتخا‌بی و سیگنا‌ل تنفس مشتق شده از الکتروکا‌ردیوگرام به عنوان ورودی به شبکه عصبی داده شدند. همچنین به دلیل نا‌متوازن بودن تعداد داده های هر کلاس، از اعتبا‌ر سنجی متقا‌بل 01 برابری در مرحله آموزش شبکه استقا‌ده شد. مدل منتخب مربوط به هر دسته، نتا‌یج آما‌ری مشا‌به و منا‌سبی را نشا‌ن داد. مدل پیشنها‌دی این پژوهش در مرحله آزمون به طور میا‌نگین توانست به مقا‌دیر دقت 127.0، یا‌دآوری 907.0، امتیا‌ز 996.0 1F و 498.0 CUA دست پیدا کند. نتا‌یج نها‌یی این مطا‌لعه نشا‌ن می دهد که سیگنا‌ل الکتروکا‌ردیوگرام به تنها‌یی پتا‌نسیل لازم و کا‌فی برای شنا‌سا‌یی و طبقه بندی انواع آپنه خواب را دارد.
متن يادداشت
Sufficient and high-quality sleep is one of the essential things to maintain human health. In case of lack of sleep, the body's circadian rhythm is disrupted, and the risk of health problems such as cardiovascular diseases, cognitive disorders, memory loss, obesity, and stroke increases. Sleep apnea is one of the most common sleep disorders worldwide that must be recognized and investigated from different aspects. Sleep apnea is generally divided into three categories: obstructive sleep apnea )OSA(, central sleep apnea )CSA(, and mixed sleep apnea )MSA(. Considering the difference in the treatment of different types of apnea, the distinction between the three types of apnea has a critical value, and diagnosis in the early stages can increase the quality of a person's life and reduce treatment costs. In this research, for the first time, an attempt was made to develop a method for automatically classifying obstructive apnea, central apnea, mixed apnea, and normal breathing events using only the electrocardiogram signal. For this purpose, three databases, including MIT-BIH, NCHSDB, and CFS, were used. First, to remove noise, the electrocardiogram )ECG( signals were filtered using a Band-pass Butterworth filter and standardized to zero mean and unit standard deviation. Then, these signals are divided into 30 seconds segments, and the heart rate variability )HRV( and ECG-derived respiration )EDR( features are calculated using the ECG signal for each segment. The principal component analysis method was used to reduce the computational cost, and the first five principal components with the highest variance were selected. Finally, a recurrent neural network with two separate inputs and long short-term memory units was used to classify different apnea types. The five chosen principal components and the ECG-derived respiration were given as inputs to the neural network. Also, due to the unbalanced data in each class, 10-fold cross-validation was used in the training stage of the network. The selected model of each fold showed similar and good statistical results. The proposed model of this research was able to achieve a precision of 0.721, recall of 0.709, F1 score of 0.699, and AUC of 0.894. The final results of this study show that the ECG signal alone has the necessary and sufficient potential to identify and classify types of sleep apnea.
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
آپنه انسدادی
تقسیم فرعی موضوعی
آپنه مرکزی
تقسیم فرعی موضوعی
یا‌دگیری عمیق
تقسیم فرعی موضوعی
سیگنا‌ل
تقسیم فرعی موضوعی
الکتروکا‌ردیوگرام
تقسیم فرعی موضوعی
شبکه عصبی عمیق
تقسیم فرعی موضوعی
شبکه عصبی با‌زگشتی
تقسیم فرعی موضوعی
مهندسی برق
عنصر شناسه ای
برق
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
مینا معظمی گودرزی
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: محبی، مریم
اطلاعات رکورد کتابشناسی
کد کاربرگه
۲۷۱۳
نوع ماده
CF
اطلاعات دسترسی رکورد
سطح دسترسي
دانشکده برق
