بخشی از مقاله
چکیده
بیماری سندرم آپنه انسدادی خواب - SAS - 1 با بررسی بالینی توسط پلی سومنوگرافی تحت نظارت قرار می گیرد اما این روش گران و پیچیده است، یکی از مهم ترین علایم که برای بیماران دچار آپنه در نظر گرفته می شود، خواب آلودگی بیش از حد روزانه است .اما همه بیماران دچار آپنه حین خواب این علامت را نشان نمی دهند. جهت بررسی تاثیر ضربان قلب بر بیماری SAS در این مقاله از روش جدید تشخیص بیماری آپنه انسدادی خواب مبتنی بر انتخاب ویژگیهای بهینه با الگوریتم ژنتیک و ماشین بدار پشتیبان - SVM - و طبقهبندی دادهها با استفاده از الگوریتم ژنتیک و شبکه عصبی - - ANN، که در آن با الگوریتم ژنتیک وزنهای شبکهعصبی بهینه شده است، در این روش با ارزیابی نتایج و آزمایشات بر روی مجموعه داده Sleep Apnea میزان دقت تشخیص بیماری نسبت به روش های دیگر بهتر میباشد.
-1 مقدمه
آپنه انسدادی هنگام خواب و بیخوابی هر دو از شایعترین انواع اختلالهای خواب در جامعه هستند. هر دو این اختلالها سبب ایجاد اثرات مخرب بر سلامت و عملکرد کاری فرد میشوند. همراهی این دو اختلال سبب ایجاد مشکلاتی در تشخیص بالینی و درمان بیماران می گردد.[1] آپنه انسدادی هنگام خواب SAS به طور جدی کیفیت خواب افراد و کار روزانه را تحت تأثیر قرار میدهد، و حتی باعث برخی از بیماری های قلبی عروقی مانند فشار خون بالا، بیماری عروق کرونر قلب و غیره میشود. در حال حاضر، تشخیص بیماری SAS بیشتر توسط پلی سومنوگرافی که با ثبت پارامترهای EEG، EOG، EMG، تغییر نفس خواب، SP02و غیره، که کار پیچیده و وقت گیری است انجام می شود.
در سال های اخیر، بسیاری از محققان در حال مطالعه روشهای تشخیص ساده و موثر SAS و ارتباط نزدیک بین ضربان قلب - HRV - و اختلالات خواب ثابت شده است [2-3]. در سال 1970 آلدرج و همکاران2 سعی کردند ساختار خواب را از طریق تجزیه و تحلیل ضربان قلب در بازه زمان به استنباط برسانند و برخی از نتایج را اثبات کردند.[4] کاوانو و همکاران3خواب و میانگین ضربان قلب 136 بیمار مبتلا به SAS را در مدت زمان 24 ساعت مورد مطالعه قرار داد و تغییر میانگین ضربان قلب با شدت همبستگی مثبت را پیدا کرد.[5]
در این مقاله با تجزیه و تحلیل نوسانات و تغییرات ضربان قلب و مطالعه HRV افراد سالم و بیماران SAS با در نظر گرفتن پارامترهای جنسیت، سن، بالا/پایین فرکانس، مقیاسDFAو غیره در مراحل مختلف خواب مورد ارزیابی قرار می گیرند. در این روش بیماری SAS با دقت بالایی تشخیص داده می شود در این روش ابتدا انتخاب ویژگی بر اساس الگوریتم ژنتیک و تابع هدف کرنل گوسی - GA-SVM - SVMو سپس آموزش سیستم برای تشخیص بیماری با استفاده از الگوریتم ژنتیک و شبکه عصبی پس انتشار - - GA-ANN که در آن با الگوریتم ژنتیک وزن های شبکه عصبی بهینه می شود.
-2 روش پیشنهادی تشخیص سندرم آپنه خواب
هدف اصلی این مقاله، طراحی مدلی است که بتواند بیماری - SAS - Sleep Apnea Syndrome را با دقت بالایی تشخیص دهد در این طرح یک روش جدید داده کاوی برای تشخیص بیماری SAS ارائه شده که باعث بهبود و دقت آموزش و طبقه بندی داده ها با توجه به تکنیک به کار گرفته شده در این روش ابتدا انتخاب ویژگی بر اساس الگوریتم ژنتیک و ماشین بردار پشتیبان - - GA-SVM با تابع کرنل گوسی انجام می شود، تابع هدف الگوریتم ژنتیک برای انتخاب ویژگی حداقلسازی خطای طبقه بندی با ماشین بردار پشتیبان می باشد.
بعد از مرحله انتخاب ویژگی، آموزش سیستم و طبقه بندی برای تشخیص بیماری سندرم آپنه خواب با استفاده از الگوریتم ژنتیک و شبکه عصبی پس انتشار - - GA-ANN انجام می شود، که در این روش الگوریتم ژنتیک با بهینه سازی وزنهای شبکه عصبی موجب بهبود دقت طبقه بندی یا تشخیص بیماری میگردد. روش پیشنهادی بطور کلی به دو مرحله تقسیم بندی شده است:
-1 انتخاب ویژگی بهینه با استفاد از الگوریتم ژنتیک و ماشین بردار پشتیبان - - GA-SVM -2 تشخیص بیماری SAS با استفاده از الگوریتم ژنتیک و شبکه عصبی - - GA-ANN
-2 انتخاب ویژگی بهینه با استفاد از الگوریتم ژنتیک و ماشین بردار پشتیبان - - GA-SVM
برای انجام عملیات انتخاب ویژگی به منظور داده کاوی بر روی مجموعه داده Sleep Apnea، یک برداری باینری که طول آن برابر با تعداد ویژگی ها است با نام بردار انتخاب به صورت شکل1 در نظر گرفته می-شود، ابتدا الگوریتم ژنتیک برای جستجو و انتخاب ویژگی های بهینه، جمعیتی را تولید می کند که تعداد کروموزومهای آن برابر با تعداد ویژگیها و بصورت اعداد باینری می باشند.
تابع هدف الگوریتم ژنتیک حداقل خطای طبقه بندی ماشین بردار پشتیبان با تابع کرنل گوسی می باشد. در بردار باینری برای هر جمعیت مقدار یک به منظور انتخاب ویژگی و مقدار صفر به منظور حذف ویژگی می باشد و با توجه به بردار انتخاب هر جمعیت ویژگی های ورودی ماشین بردار پشتیبان را مشخص می نماید. با ایجاد جمعیتها برای حالت های مختلف ویژگی ها با الگوریتم ژنتیک بعد از تعداد تکرار نسل های مشخص بهترین ویژگیها پیدا می شوند.
