Yeni araç, uyku apnesini tespit etmek için uzman bilgisi ve derin öğrenme özelliklerini birleştiriyor

0
36

Bu, uyurken Sürekli Pozitif Hava Yolu Basıncı (CPAP) makinesi kullanan bir Uyku Apnesi hastasının tasviridir. Kredi: https://www.myupchar.com/en/disease/sleep-apnea CC BY-SA 4.0

Penn State College of Information Sciences and Technology’deki araştırmacılar tarafından geliştirilen yeni bir yöntem sayesinde, uyku apnesi olduğundan şüphelenen kişiler ve onları teşhis eden doktorlar yakında durumu evde otomatik olarak tespit etmenin daha etkili bir yolunu bulabilirler.

Araştırmacılara göre mevcut tüm temel yöntemlerden daha iyi performans gösteren yeni araç, derin öğrenme teknolojisini uzman bilgisiyle birleştiriyor. Evdeki cihazlar tarafından toplanan elektrokardiyograf (EKG) verilerinden kalıpları otomatik olarak öğrenerek diğer uyku apnesi teşhislerinden daha hızlı ve daha ideal bir çözüm haline getirir.

Bilgi bilimleri ve teknolojisi doktora adayı ve baş yazar Guanjie Huang, “Uyku apnesini saptamak için mevcut standart yaklaşım, bir hastanın bir klinik pratisyen gözetiminde bir polisomnografi (uyku çalışması) kaydetmek için bir gece hastanede kalmasıdır” dedi. kağıt üzerinde. “Süreç zaman alıcı, sıkıcı, müdahaleci ve gecikmiş.”

Huang, bir hastanın verilerinin beyin dalgalarını, kandaki oksijen seviyelerini, kalp atış hızını, solunumu ve vücut hareketlerini ölçen bir uyku çalışmasıyla toplandıktan sonra, klinisyenlerin bunları analiz etmek için daha fazla zaman ve kaynak ayırması gerektiğini açıkladı.

Huang, “Verileri otomatik olarak analiz etmek ve doktorların uyku apnesini hızlı bir şekilde tespit etmesine yardımcı olmak için doğru bir model tasarlamak çok önemlidir” dedi.

Uyku apnesini evdeki cihazlar aracılığıyla otomatik olarak tespit etmeye yönelik diğer araçlar, ya bir veri setinde uyku apnesi koşullarını tanımlayabilen el yapımı özellikler tasarlamak için insan uzmanlarının bilgisine dayanan geleneksel makine öğrenimi yöntemleriyle oluşturulmuş bilgisayar modelleri kullanılarak ya da muazzam miktarda veri nedeniyle bu tür uzmanlara olan ihtiyacı ortadan kaldıran derin öğrenme yöntemleri. Ancak Huang’a göre, bu bağımsız yaklaşımların sınırlamaları var.

Huang, “Geleneksel makine öğrenimi yöntemi, sağlam bir sınıflandırıcıyı öğrenmek için genellikle yalnızca az miktarda veriye ihtiyaç duyar, ancak dikkatli bir özellik çıkarma ve seçim süreci gerektirir.” “Derin öğrenme yöntemi genellikle daha iyi performans sağlar ancak büyük bir veri kümesi gerektirir.”

Huang’ın ConCAD (Uyku Apnesi Tespiti için Kontrastlı Öğrenmeye Dayalı Çapraz Dikkat) adlı modeli, uyku apnesini daha iyi tespit etmek için aynı anda derin öğrenme ve geleneksel makine öğreniminin uzman bilgisinden yararlanır. Model, özel olarak, standart bir EKG’de bir hastanın ventriküler duvarlarındaki kalp ritmini ölçen R dalgası arasındaki aralıkları ve R dalgasının tepe noktası arasındaki aralıkları ölçerek uyku apnesini saptamak için mevcut yöntemler olan RR aralığı ve R tepe zarfı konusundaki uzman bilgisinden yararlanır. ConCAD, derin öğrenme özelliklerini uzman bilgisi özellikleriyle kaynaştırmak, yararlı olanları vurgulamak ve alakasız olanları otomatik olarak yok saymak için bir çapraz dikkat mekanizması (her birinin parçalarına önemlerine göre ağırlıklar atayan bir derin öğrenme modülü) kullanır.

ConCAD, hem uzman bilgisinden hem de uyku apnesini gösterebilecek derin öğrenme yöntemlerinden kalıpları otomatik olarak öğrenmek için önce orijinal ham EKG verilerini özellik çıkarıcılardan geçirerek çalışır. Bu desenler veya özellikler daha sonra otomatik ve sinerjik olarak kaynaştırılır ve her birinin önemli bölümlerine dayalı olarak bir ağırlık atanır. Ardından, karşılaştırmalı bir öğrenme süreci ile benzer özellikler birbiriyle yakından eşleştirilir. Son olarak, veriler, EKG’nin nihai özelliklerine ve ilgili uzman bilgisine dayanarak, hastanın uyku apnesi olma olasılığını gösteren sınıflandırılır.

Modellerini test etmek için araştırmacılar, her biri apne veya normal uyku olaylarını tanımlayan uzmanlar tarafından açıklamalı 26.000’den fazla segment içeren, halka açık iki EKG veri seti kullandılar. Bu bölümler 30 saniyelik ve iki buçuk dakikalık girdilerden oluşuyordu. Mevcut altı son teknoloji uyku apnesi tespit yöntemiyle karşılaştırıldığında, ConCAD hepsinden daha iyi performans gösterdi. Modelleri, uyku apnesi olaylarını bir dakikalık bölümlerde zamanın %88,75’ini ve ilk veri kümesinin beş dakikalık bölümlerinde zamanın %91,22’sini doğru bir şekilde tanımladı; ikinci veri setinde sırasıyla %82,5 ve %83,47’dir.

Yardımcı doçent Fenglong Ma, “Sonuçlarımız, uyku apnesi durumlarını izlemek için evde kişisel bir EKG cihazı kullanabildikleri için uyku apnesinden mustarip hastalara önemli ölçüde fayda sağlaması gereken otomatik uyku apnesi tespiti için EKG verilerinin kullanılma olasılığını gösteriyor” dedi. bilgi bilimleri ve teknolojisi ve baş araştırmacı. “Ayrıca, tasarlanan model, doktorların uyku apnesinin teşhis sürecini basitleştirmesine yardımcı olabilir.”

Ma, “Bu, uyku apnesi tespiti için uzman bilgisini derin öğrenme modellerine dahil etmeye yönelik yeni bir girişimdir. Derin modellerin öğrenimine rehberlik etmek için uzman bilgisinin nasıl kullanılacağına yatırım yapmaya devam edeceğiz.”

Araştırmacılar ConCAD’i, neredeyse 13-17 Eylül tarihleri ​​arasında düzenlenen Veritabanlarında Bilgi Keşfinin Uygulaması ve İlkeleri ve Uygulamasına İlişkin Avrupa Konferansı’nda (ECML-PKDD) sundular.

Pennsylvania Eyalet Üniversitesi tarafından sağlanan çalışma uyku apnesi ve eklem ağrısı arasında hiçbir bağlantı bulamıyor

Alıntı: Yeni araç, 1 Ekim 2021 tarihinde https://medicalxpress.com/news/2021-10-tool-fuses-expert-knowledge-deep adresinden alınan uyku apnesini (2021, 1 Ekim) tespit etmek için uzman bilgisi ve derin öğrenme özelliklerini birleştiriyor. html

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı verilmiştir.

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz