استفاده از پردازش سیگنال جهت تشخیص کلینیکی بیماری هایپوآپنه و حالتهای مختلف بیماری آپنه خواب
General Material Designation
[پایاننامه]
First Statement of Responsibility
/معین شعاع کاظمی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مهندسی برق
Date of Publication, Distribution, etc.
، ۱۳۹۴
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۷۷ ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
کتابنامه در آخر پایان نامه
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی برق
Date of degree
۱۳۹۴/۰۶/۰۰
Body granting the degree
صنعتی سهند
SUMMARY OR ABSTRACT
Text of Note
تشخیص دقیق و خودکار بیماریهای خواب یکی از مسائل مورد توجه محققین در چند سال اخیر است .از رایجترین بیماریهای خواب، سندرم آپنه خواب و هایپوآپنه است .حدود ۴۵ درصد از زنان و ۶۰ درصد از مردان در سن ۶۰ سالگی به این بیماری مبتلا هستند .در صورت تشخیص صحیح و به موقع، این بیماریها قابل درمان هستند، اما بیشتر بیماران از ابتلای به این بیماریها ناآگاهند .دلیل این ناآگاهی، روش تشخیص پرهزینه و وقتگیر این سندرم توسط ثبت سیگنالهای متعدد دستگاه پلیسومنوگرام است .از اینرو، محققین در سالهای اخیر به روشهای تشخیص خودکاری روی آوردهاند که از تعداد سیگنالهای کمتری برای تشخیص این سندرم استفاده کنند .در این تحقیق نیز برای تشخیص سندرم آپنه خواب و هایپوآپنه، تنها از سیگنال تلاش تنفسی شکمی استفاده گردیده است .ثبت این سیگنال با استفاده از کمربندی که روی شکم قرار میگیرد به آسانی صورت میپذیرد. از این رو استفاده از این سیگنال باعث اختلال در آسایش بیمار حین خواب نمیشود. روش تشخیص سندرم آپنه خواب و هایپوآپنه در این تحقیق در سه مرحله صورت پذیرفت .در مرحله اول حالت بیماری از حالت سالم تفکیک شد .پس از پیشپردازش دادهها، ۱۳ ویژگی در سه حوزهی زمانی، فرکانسی و زمانی-فرکانسی از دورهها استخراج گردیدند .در ادامه مشکل عدم تعادل موجود در دادهها توسط چندین روش مختلف متعادلسازی رفعگردید .تفکیک نهایی توسط ماشین بردار پشتیبان انجام پذیرفت و تأثیر هر کدام از روشهای متعادلسازی ارائه شده، بررسی و مقایسه شد .بهترین نتایج ارائه شده مربوط به روش SMOTE۱-RU بود که دقت ۸۴/۴۷ درصد، حساسیت ۸۲/۱۳ درصد و ویژگی ۸۴/۸۲ درصد را بدست آورد .در مرحلهصی دوم، روش RU با دقت کلی ۷۸/۲۸ درصد موفق به جداسازی بیماری آپنه خواب و هایپوآپنه گردید .در مرحله نهایی، انواع بیماری آپنه خواب در سه گروه آپنه خواب انسدادی، مرکزی و مختلط مورد تفکیک قرار گرفت .بدین منظور منحنیهای سری زمانی، چگالی طیفی توان و منحنی زمانی-فرکانسی(ضرایب تبدیل موجک) وارد مرحله استخراج ویژگی گردیدند .در این مرحله با استفاده از الگوریتم ژنتیگ و الگوریتم پیچان پویا، بهترین قالب از هر نوع بیماری شناسایی شد و متناسب با قالبها ویژگی استخراج گردید .بعد از متعادلسازی نمونههای آموزشی، دادههای آزمایشی با استفاده از طبقهبند شبکه عصبی احتمالی مورد ارزیابی قرار گرفتند .در این الگوریتم روش SMOTE۲-NCL با دقت کلی /۸۶/۶۶ درصد بهترین نتایج را ارائه داد