دانلود مقاله ترجمه شده تشخیص تنگی نفس موقتی در خواب (IEEE 2018) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal

چکیده
1- مقدمه
2- روش پیشنهاد شده
الف) استخراج سیگنال محدود به باند
ب)استخراج ویژگی از چند باند
ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی
د) برازش مدل از الگوهای تغییرات ویژگی ها
ه) دسته بندی کننده
3- نتایج و مباحث
الف) دیتابیس ها
ب) نکویی برازش
ج) نکویی ویژگی ها
د) نتایج دسته بندی
4- جمع بندی
منابع

چکیده

آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند. در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.

4- جمع بندی

در تحلیل داده های EEG فریم به فریم به صورت متداول تنها مشخصه های کلی از یک فریم را می توان به دست آورد که در این مورد، ویژگی ها با در نظر داشتن کل فریم در یک زمان استخراج می شوند .در مقابل، در این مقاله، روش استخراج ویژگی به صورت دو مرحله ای ارائه شده است. نخست، ویژگی ها از یک مدت زمان کوتاه با همپوشانی بین فریم های فرعی در یک فریم محاسبه می شود که این کار باعث می شود که تغییرات شدید در زمان ثبت بشود و باعث می شود که تغییرات زمانی ویژگی استخراج شده در فریم، شناسایی شود. سپس تحلیل های آماری و مدل سازی بر روی الگوی تغییرات به دست آمده اعمال می شود که باعث می شود ما بتوانیم از مشخصه های محلی و سراسری یک فریم استفاده کنیم. جدا از تضمین تفکیک زمانی در استخراج ویژگی ها، استفاده از سیگنال هایی با چند باند باعث می شود که تفکیک فرکانسی نیز تضمین شود. در میان مدل های مختلف از PDF، مشخص شده است که PDF از نوع Rician بهترین کیفیت ویژگی را از نظر فاصله Bhattacharyyaو GSI ایجاد می کند. فارغ از نوع آپنه، روش پیشنهاد شده می تواند نه تنها موارد آپنه ای و افراد سالم را از یکدیگر تفکیک کند، بلکه می تواند فریم های آپنه ای و غیر آپنه ای در یک بیمار را هم شناسایی کند که این موضوع ، کاربرد بسیار مهمی در پلی سومنوگرافی شبانه (PSG) برای کاهش خطای انسانی، نیروی کار و هزینه دارد. روش پیشنهاد شده بر روی سه دیتابیس EEG بزرگ ارزیابی شد و مشخص گردید که این روش نسبت به روش های دسته بندی موجود از نظر معیار های عملکردی حساسیت، ویژگی و صحت ، برتری دارد. این موضوع باعث می شود که روش پیشنهاد شده در دامنه های تشخیصی گسترده، کاربرد های زیادی داشته باشد.

Abstract

Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe feature variation can be better represented by some statistical measures and characteristic probability density functions. It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity, and accuracy.

IV- CONCLUSION

In conventional frame-by-frame EEG data analysis only the global characteristics of a frame can be obtained as in that case, features are extracted considering the entire frame at a time. On the contrary, in this paper, two-stage feature extraction method is proposed. First, the feature is computed from small duration overlapping sub-frames within a frame, which can precisely capture sharp changes with respect to time and provide temporal variation of the extracted feature within that frame. Next, statistical analysis and modeling are carried out on the resulting feature variation pattern, which gives an opportunity to utilize both local and global characteristics of a frame. Apart from ensuring such time resolution in feature extraction, use of multi-band signals also ensures frequency resolution. Among various PDF models, it is found that the Rician PDF is offering the best feature quality in terms of Bhattacharyya distance and GSI. Irrespective of the type of apnea, the proposed method can not only classify apnea patient and healthy subject but also classify apnea and nonapnea frames of an apnea patient, which has a great demand in the overnight polysomnography (PSG) to reduce human error, labor and cost. The proposed method is evaluated on three different and large EEG databases and it offers superior classification performance in comparison to some existing methods in terms of sensitivity, specificity and accuracy. It makes the proposed method to be widely applicable in a greater domain of diagnosis.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal