수면 무호흡은 수면 장애를 나타내는 대표적인 증상으로 수면 무호흡 환자의 경우 야간의 불충분한 수면으로 인해 주간의 과도한 피로와 졸리움이 나타난다. 또한, 무호흡으로 인한 동맥혈 내 산소 포화도의 감소는 고혈압, 부정맥 등을 일으킬 뿐만 아니라 심한 경우 수면 중 심장마비, 돌연사 등의 심각한 결과를 초래할 수 있으므로 수면 무호흡의 발생 여부 및 그 빈도를 검출하는 것은 매우 중요하다. 이를 위한 기존의 수면 무호흡 검출 방법인 ...
수면 무호흡은 수면 장애를 나타내는 대표적인 증상으로 수면 무호흡 환자의 경우 야간의 불충분한 수면으로 인해 주간의 과도한 피로와 졸리움이 나타난다. 또한, 무호흡으로 인한 동맥혈 내 산소 포화도의 감소는 고혈압, 부정맥 등을 일으킬 뿐만 아니라 심한 경우 수면 중 심장마비, 돌연사 등의 심각한 결과를 초래할 수 있으므로 수면 무호흡의 발생 여부 및 그 빈도를 검출하는 것은 매우 중요하다. 이를 위한 기존의 수면 무호흡 검출 방법인 수면다원검사는 여러 가지 생체신호를 함께 측정하므로 복잡하고 불편한 단점이 있다. 이러한 단점을 보완하기 위해 적은 수의 생체신호를 사용한 수면 무호흡의 검출에 관한 연구가 진행되고 있으나 그 정확도가 다소 낮은 편이므로 이를 개선시키기 위한 연구가 필요하다.
본 논문에서는 수면 무호흡을 검출하기 위한 최소한의 생체신호로서 심전도 신호를 이용하였다. Physionet에서 제공하는 수면 무호흡 환자와 정상인의 심전도 신호를 사용하여 수면 무호흡 검출 알고리즘 개발을 위한 학습군과 개발된 알고리즘을 평가하기 위한 평가군으로 나누었다. 학습군의 심전도 신호로부터 심박변화율, S점의 크기 등을 계산 및 분석하여 시간 및 주파수 영역의 특징을 추출하였고, 이를 신경망인 RBF 네트워크에 적용함으로써 수면 무호흡 검출 알고리즘을 개발하였다. 개발된 알고리즘에 평가군의 심전도 신호를 적용하여 검출 성능을 평가하여, 평균 89.66%의 sensitivity와 95.25%의 specificity를 얻었다. 이로부터 수면 중 측정한 심전도 신호와 심박변화율이 수면 무호흡 검출 시 중요한 파라메타임을 알 수 있었다.
수면 무호흡은 수면 장애를 나타내는 대표적인 증상으로 수면 무호흡 환자의 경우 야간의 불충분한 수면으로 인해 주간의 과도한 피로와 졸리움이 나타난다. 또한, 무호흡으로 인한 동맥혈 내 산소 포화도의 감소는 고혈압, 부정맥 등을 일으킬 뿐만 아니라 심한 경우 수면 중 심장마비, 돌연사 등의 심각한 결과를 초래할 수 있으므로 수면 무호흡의 발생 여부 및 그 빈도를 검출하는 것은 매우 중요하다. 이를 위한 기존의 수면 무호흡 검출 방법인 수면다원검사는 여러 가지 생체신호를 함께 측정하므로 복잡하고 불편한 단점이 있다. 이러한 단점을 보완하기 위해 적은 수의 생체신호를 사용한 수면 무호흡의 검출에 관한 연구가 진행되고 있으나 그 정확도가 다소 낮은 편이므로 이를 개선시키기 위한 연구가 필요하다.
본 논문에서는 수면 무호흡을 검출하기 위한 최소한의 생체신호로서 심전도 신호를 이용하였다. Physionet에서 제공하는 수면 무호흡 환자와 정상인의 심전도 신호를 사용하여 수면 무호흡 검출 알고리즘 개발을 위한 학습군과 개발된 알고리즘을 평가하기 위한 평가군으로 나누었다. 학습군의 심전도 신호로부터 심박변화율, S점의 크기 등을 계산 및 분석하여 시간 및 주파수 영역의 특징을 추출하였고, 이를 신경망인 RBF 네트워크에 적용함으로써 수면 무호흡 검출 알고리즘을 개발하였다. 개발된 알고리즘에 평가군의 심전도 신호를 적용하여 검출 성능을 평가하여, 평균 89.66%의 sensitivity와 95.25%의 specificity를 얻었다. 이로부터 수면 중 측정한 심전도 신호와 심박변화율이 수면 무호흡 검출 시 중요한 파라메타임을 알 수 있었다.
Obstructive Sleep Apnea(OSA) is a representative symptom of sleep disorder which is caused by airway obstruction. Because of the serious disturbances in normal sleep patterns, people who suffer from OSA often feel very sleepy and tired during the day time. Also, the decrease of O₂ saturation by OSA ...
Obstructive Sleep Apnea(OSA) is a representative symptom of sleep disorder which is caused by airway obstruction. Because of the serious disturbances in normal sleep patterns, people who suffer from OSA often feel very sleepy and tired during the day time. Also, the decrease of O₂ saturation by OSA causes hypertension or arrhythmia. So, it is important to know whether OSA has generated and how often OSA events have happened. OSA is usually diagnosed through the laboratory based Polysomnography(PSG) which is uncomfortable and expensive.
In this paper, the detection method for OSA events, using S-pulse amplitude and Heart Rate Variability(HRV), has been developed. The proposed method uses the ECG data sets provided from Physionet. And the data sets are composed of learning sets, training sets. The features for OSA events detection are the average and standard deviation of 1 minute R-R interval, power spectrum of R-R interval and S-pulse amplitude from learning data sets. These features are applied to the input of RBF Neural Network. To evaluate the method, we used the training data sets. And we achieved sensitivity of 89.66%, specificity of 95.25%. A perfect grouping also can be achieved using detected apnea rate. So, we can know that the features proposed in this paper are important to detect OSA.
Obstructive Sleep Apnea(OSA) is a representative symptom of sleep disorder which is caused by airway obstruction. Because of the serious disturbances in normal sleep patterns, people who suffer from OSA often feel very sleepy and tired during the day time. Also, the decrease of O₂ saturation by OSA causes hypertension or arrhythmia. So, it is important to know whether OSA has generated and how often OSA events have happened. OSA is usually diagnosed through the laboratory based Polysomnography(PSG) which is uncomfortable and expensive.
In this paper, the detection method for OSA events, using S-pulse amplitude and Heart Rate Variability(HRV), has been developed. The proposed method uses the ECG data sets provided from Physionet. And the data sets are composed of learning sets, training sets. The features for OSA events detection are the average and standard deviation of 1 minute R-R interval, power spectrum of R-R interval and S-pulse amplitude from learning data sets. These features are applied to the input of RBF Neural Network. To evaluate the method, we used the training data sets. And we achieved sensitivity of 89.66%, specificity of 95.25%. A perfect grouping also can be achieved using detected apnea rate. So, we can know that the features proposed in this paper are important to detect OSA.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.