شناخت خودکار بیماران مبتلا به وقفه‌ی انسدادی خواب با استفاده از ویژگی های مبتنی بر موجک ضبط الکتروکاردیوگرام {قلب نگاشت الکتریکی}

بیماران مبتلا به سندرم انسداد تنفسی خواب (‏OSAS)‏در معرض خطر افزایش فشار خون بالا و دیگر بیماری‌های قلبی عروقی هستند. این مقاله به بررسی استفاده از ماشین‌های بردار پشتیبان (‏SVM ها)‏برای شناسایی خودکار بیماران با انواع OSAS (‏)‏با استفاده از ویژگی‌های استخراج‌شده از ثبت‌های ECG شبانه، و مقایسه عملکرد آن با سایر طبقه‌بندی کننده‌ها می‌پردازد. ویژگی‌های استخراج‌شده از تجزیه موجک سیگنال‌های تغییر پذیری ضربان قلب (‏HRV)‏و تنفس مشتق از ECG (‏EDR)‏تمام رکوردها (‏۳۰ مجموعه یادگیری از فیسیونت)‏به عنوان ورودی برای آموزش طبقه‌بندی کننده SVM برای تشخیص OSAS ارائه می‌شوند. سپس مجموعه پارامتر بهینه SVM با استفاده از یک روش خروجی تعیین می‌شود. نتایج مستقل تست نشان داده‌است که یک SVM با استفاده از یک زیرمجموعه از ترکیب انتخابی HRV و ویژگی‌های EDR به درستی ۳۰ / ۳۰ مجموعه تست فیزونت را تشخیص داده‌است. در مقایسه، عملکرد طبقه‌بندی نزدیک‌ترین K، شبکه عصبی احتمالی و طبقه‌بندی کننده‌های تفکیک خطی در داده‌های تست پایین‌تر بود. بنابراین، این نتایج پتانسیل قابل‌توجهی در استفاده از SVM در غربالگری مبتنی بر ECG ن

Patients with obstructive sleep apnoea syndrome (OSAS) are at increased risk of developing hypertension and other cardiovascular diseases. This paper explores the use of support vector machines (SVMs) for automated recognition of patients with OSAS types (±) using features extracted from nocturnal ECG recordings, and compares its performance with other classifiers. Features extracted from wavelet decomposition of heart rate variability (HRV) and ECG-derived respiration (EDR) signals of whole records (30 learning sets from physionet) are presented as inputs to train the SVM classifier to recognize OSAS± subjects. The optimal SVM parameter set is then determined by using a leave-one-out procedure. Independent test results have shown that an SVM using a subset of a selected combination of HRV and EDR features correctly recognized 30/30 of physionet test sets. In comparison, classification performance of K-nearest neighbour, probabilistic neural network, and linear discriminant classifiers