شناسایی آپنه در خواب با استفاده از تبدیل موجک و برخی تکنیک های هوشمند پردازش سیگنال های حیاتی

سندروم آپنه (وجود وقفه های تنفسی) در خواب را می توان به عنوان یکی از شایعترین، خطرناک ترین و جدی ترین عوامل اختلال خواب دانست، بطوریکه افراد مشکوک به این بیماری، جهت تشخیص، از طریق ثبت انواع مختلف سیگنالهای حیاتی بدن در تمام طول مدت خواب، به روشی که psg ، نامیده می شود، مورد آزمایش قرار می گیرند. سپس طبقه بندی مراحل خواب همراه با برچسب زنی و علامت گذاری وقفه ها و پیشامدهای تنفسی و سایر اختلالات نظیر حرکات متناوب پاها ، بر روی سیگنالهای حیاتی مشاهده شده در صفحه نمایشگر کامپیوتر، توسط پزشک متخصص، بطور شهودی، انجام می گردد. در این پژوهش، ابتدا در فصل اول، به معرفی این بیماری (علایم مربوطه و عوامل موثر در پیدایش آن) و نیز روشهای تشخیصی و درمانی موجود، پرداخته می شود. در ادامه، در فصل دوم، برخی از تحقیقات و مطالعاتی که در گذشته با استفاده از پردازش و آنالیز سیگنالهای حیاتی، برای آشکارسازی و تشخیص این وقفه ها، با چندین روش هوشمند صورت گرفته، مرور و بررسی شده است. در فصل سوم، ابزارها و داده های مورد استفاده در این تحقیق، معرفی شده اند. در فصل چهارم، نتایج به دست آمده توسط سه نوع طبقه بندی کننده گوناگون (mlp ، rbf و svm) ، برای جداسازی اپوکهای 30 ثانیه ای ثبت شده نرمال از غیر نرمال (دارای وقفه های تنفسی مسدود کننده و ضعیف) در هر کدام از سه گروه بیمارانی که بر حسب شاخص وقفه های تنفسی (70 ≥ ahi و ≥ 30 )، شاخص جرمی بدن (35 ≥ bmi و ≥ 25) و سن افراد ( ≥ age و ≥ 40) در محدوده های تعیین شده، دسته بندی شده اند، از طریق دو مجموعه ویژگیهای استخراج شده، بطور جداگانه، در جدولهای مربوطه، تنظیم شده است. در نهایت، در فصل پنجم، بهترین نتایج حاصل (با ملاحظه فصل چهارم) با یکدیگر مقایسه شده و مطلوبترین وضعیت از لحاظ میانگین معیارهای سنجش عملکرد سیستم، متعلق به حالت استفاده از شبکه عصبی mlp ، با دقت %94/18، اختصاصی بودن %95/07 و حساسیت %91/54 می باشد.