EKG işaretlerinden YSA ve korelasyon matrislerine dayalı tıkayıcı uyku apnesi teşhisi

Abstract

Tıkayıcı uyku apnesi (TUA) sendromu, uyku sırasında aralıklı üst solunum yolu tıkanıklıklarına neden olan, kalp ve sinir aktivitelerini etkileyerek uyku desenini bozan ciddi bir hastalıktır. Şu anda, TUA’nin tanısında polisomnografi (PSG) kullanılmaktadır. PSG, çok sayıda elektrot bağlantısına ihtiyaç duyan, genellikle gece uyku esnasında gerçekleştirilen, pahalı, zaman alıcı bir test yöntemidir. Literatürde çok sayıda bilimsel çalışma, sadece elektrokardiagram (EKG) işaretlerinin kalp hızı değişkenliği (KHD) analizine dayalı yöntemler ile TUA tanısının koyulabileceğini kabul etmektedir. Bu şekilde daha pratik, ucuz ve girişimsel olmayan bir yol ile son derece doğru sonuçlar elde edilebilen alternatif bir çözüm sunulmaktadır. Bu şekilde hastalık sınıflandırmada yüksek doğruluğa ulaşılmasına karşın hangi özellik parametrelerinin bu sınıflandırmada daha etkili olduğu ve parametre seçimi konusunda en uygun KHD analiz yöntemi için ortak bir bakış açısı bulunmamaktadır. Bu çalışma, öncelikle TUA hastalarına ait tek-kanal EKG işaretlerindeki KHD’ni zaman, frekans ve doğrusal olmayan yöntemleri kullanarak kapsamlı bir şekilde analiz eder. Daha sonra KHD’nden elde edilen bu özellikleri kullanarak yeni bir sınıflandırma şeması sunar. Ayrıca, korelasyon matrisleri (KM)’ne dayalı yeni bir özellik seçim metodu önerir. Elde edilen sonuçlar, KM’nin hastalık sınıflandırma işlemlerinde özellik kümelerinin seçim ve sınırlandırılması, hedef hastalığı hangi parametrelerin daha iyi ayırt edebildiğini sayısal olarak belirlemesi ve yapay sinir ağları (YSA) sınıflandırma başarımını artırması bakımından değerli bulunmuştur.

Obstructive sleep apnea (OSA) syndrome, which causes intermittent upper airway occlusion during sleep, affecting the heart and nervous activity that disrupts sleep patterns, is a serious disease. At present, polysomnography (PSG) is used for the diagnosis of OSA. PSG, requiring a large number of electrodes’ connection, is usually carried out during night sleep, and therefore an expensive, time-consuming test method. Many articles that appeared in the literature agreed upon the diagnosis of OSA can be achieved only through the analysis of heart rate variability (HRV) of ECG signals. In this way, highly accurate results can be obtained. Also, it offers an alternative solution that is more practical, inexpensive and non-invasive as well. Although high accuracies have been achieved in the classification of disease, there has not been a consensus on the matter of which feature parameters are more effective in this classification and the selection of the most appropriate method of HRV analysis. This study, initially, presents a new classification scheme for OSA by using common features belonging to time, frequency and non-linear domains of the HRV analysis of single-channel ECG in a comprehensive manner. In addition, it proposes a new method of feature selection based on the correlation matrices (CM). The results obtained in the classification of disease with using CM were found valuable in terms of selecting and limiting of feature sets, determining which parameters numerically better identify the target disease and increasing the performance of ANN.