تشخيص آپنه خواب از روي صداي ناي مبتني بر يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

آپنه خواب از اختلالات شايع تنفسي در خواب است كه مي‌تواند پيامدهاي جدي قلبي–عروقي، شناختي و كيفيت‌زندگي به همراه داشته باشد. با وجود دقت بالاي پلي‌سومنوگرافي، هزينه و پيچيدگي آن سبب شده است روش‌هاي كم‌هزينه براي غربالگري و پشتيباني از فرآيند تشخيص مورد توجه قرار گيرند. اين پايان‌نامه به تشخيص رخداد‌هاي تنفسي مبتني بر صوت مي‌پردازد و هدف آن شناسايي قطعات سيگنال صوتي و برچسب گذاري آن‌ها به صورت دودويي(آپنه/غيرآپنه) است. به بيان ديگر تمركز بر تشخيص رخداد در سطح قطعه هست و نه تصميم‌‌گيري نهايي درباره‌ي ابتلاي فرد. براي دستيابي به اين هدف، دو رويكرد مكمل ارائه و ارزيابي مي‌شود: (1) روش اصلي مبتني بر يادگيري نمايش با معماري SiameseM2D و تصميم‌گيري در فضاي بردار نهفته، و (2) روش جايگزين مبتني بر طبقه‌بندي مستقيم با AnisotropicResNet18 و استفاده از ورودي‌هاي چندنمايي زمان–فركانس. در ارزيابي تجربي، دو مجموعه‌داده شامل يك مجموعه‌داده داخلي از صوت نايِ ثبت‌شده در شرايط باليني و يك مجموعه‌داده عمومي PSG-Audio به‌كار گرفته شد. همچنين سه سناريو شامل ارزيابي درون‌مجموعه‌داده روي هر مجموعه و ارزيابي بين‌مجموعه‌داده براي سنجش تعميم‌پذيري طراحي گرديد. نتايج نشان داد در مجموعه‌داده داخلي، Siamese-M2D (با پيكربندي مناسب تصميم‌گيري) بهترين توازن بين دقت و حساسيت را ارائه مي‌دهد (F1=0.80)، در حالي‌كه در مجموعه‌داده عمومي، AnisotropicResNet18 عملكرد برتر داشته است (F1=0.86). در سناريوي بين‌مجموعه‌داده نيز افت عملكرد، بيانگر وجود اختلاف توزيع ميان شرايط ثبت، نويزهاي محيطي و شيوه‌ي برچسب‌گذاري رخدادها بود؛ با اين حال، مشاهده شد برخي تنظيمات مدل‌ها مي‌توانند براي كاربردهاي غربالگري (حساسيت بالا و كاهش منفي كاذب) مناسب باشند. در مجموع، يافته‌هاي اين پژوهش نشان مي‌دهد رويكردهاي مبتني بر صوت، با وجود چالش‌هاي تعميم‌پذيري بين دامنه‌ها، ظرفيت بالايي براي توسعه‌ي ابزارهاي كم‌هزينه و غيرتهاجمي در غربالگري و كمك‌تشخيص رخدادهاي تنفسي در خواب دارند.

237043

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان