احمد کشاورز

خواب یکی از ارکان ضروری در حفظ سلامت جسمی و روانی انسان است و تاثیر زیادی بر عملکرد سیستم های مختلف بدن دارد. اختلالات خواب، از مشکلات شایعی هستند که در صورت عدم تشخیص و درمان به موقع، می توانند عواقب جدی برای فرد به همراه داشته باشند. آپنه خواب یکی از شایع ترین اختلالات تنفسی مرتبط با خواب است که در صورت عدم شناسایی، نه تنها خطر ابتلا به بیماری های قلبی-عروقی و اختلالات شناختی را افزایش می دهد، بلکه بار مالی و اقتصادی سنگینی بر سیستم های بهداشتی تحمیل می کند. روش های بالینی مانند پلی سومنوگرافی که به عنوان روش های استاندارد تشخیص آپنه خواب شناخته می شوند، اگرچه دقیق هستند، اما هزینه بر، زمان بر و مستلزم حضور در مراکز تخصصی اند. علاوه بر این، خطای انسانی در تفسیر نتایج ممکن است بر دقت تشخیص این روش ها اثر بگذارد. سیگنال الکتروکاردیوگرافی (ECG) از اجزای مختلفی همچون موج P، مجموعه QRS و موج T تشکیل شده است و اطلاعات حیاتی و ارزشمندی از فعالیت الکتریکی قلب ارائه می دهد. در حین بروز آپنه خواب، این سیگنال ها با تغییراتی در نرخ ضربان قلب روبه رو می شوند و نوسانات پیچیده ای در ویژگی های زمانی و فرکانسی آن ها به وجود می آید. در مقایسه با روش های سنتی مبتنی بر یادگیری ماشین، شبکه های عصبی عمیق با قابلیت شبیه سازی و تحلیل دقیق این پیچیدگی ها، به طرز موثری توانایی تشخیص آپنه خواب را بهبود می بخشند. این رویکرد نه تنها دقت تشخیص را افزایش می دهد، بلکه نیاز به فرآیندهای پیچیده مهندسی ویژگی ها را به طور قابل ملاحظه ای کاهش می دهد. در این پژوهش، یک روش نوین مبتنی بر شبکه های عصبی عمیق برای تشخیص خودکار آپنه خواب از سیگنال های ECG توسعه داده شده است. داده های مورد استفاده از مجموعه معتبر PhysioNet Apnea-ECG استخراج شده و پس از فیلترینگ و نرمال سازی، ویژگی های معناداری از سیگنال ها استخراج شدند. برای افزایش دقت تشخیص، از مدل مارکوف پنهان در مرحله پس پردازش استفاده شده است. این مدل با بهره گیری از وابستگی های زمانی و ساختار توالی در سیگنال های ECG، قادر است الگوهای پیچیده و پنهان مرتبط با آپنه خواب را شناسایی کند. مدل مارکوف پنهان از توزیع های احتمالی برای پیش بینی وضعیت های مختلف آپنه در هر لحظه زمانی استفاده کرده و با تحلیل توالی های پنهان در سیگنال ECG، احتمال وقوع هر وضعیت (آپنه ی