การตรวจจับภาวะหยุดหายใจและหายใจแผ่วขณะหลับและการประมาณดัชนีการหยุดหายใจและหายใจแผ่วจากข้อมูลการตรวจการนอนหลับโดยใช้เทคนิคการเรียนรู้ของเครื่อง

Apnea-hypopnea detection and apnea-hypopnea index estimation from polysomnography data using machine learning algorithms

Name: เด่นภูมิ อภิเมธีธำรง

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมไฟฟ้า) 2566

Classification :.LCCS: TK1001

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. สาขาวิศวกรรมไฟฟ้า -- วิทยานิพนธ์

ThaSH: ระบบไฟฟ้า -- แบบจำลอง

ThaSH: คลื่นไฟฟ้า

ThaSH: นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)

ThaSH: ภาวะหยุดหายใจขณะนอนหลับ

ThaSH: การนอนหลับผิดปกติ

Abstract: ภาวะหยุดหายใจขณะหลับเป็นความผิดปกติในการหายใจขณะนอนหลับที่ทำให้การนอนหลับไม่มีประสิทธิภาพและอาจนำไปสู่ปัญหาร้ายแรง ความรุนแรงของภาวะหยุดหายใจขณะหลับจะถูกวัดโดยดัชนีการหยุดหายใจและหายใจแผ่ว (AHI) ซึ่งมักจะได้มาด้วยเจ้าหน้าที่เทคนิคซึ่งใช้แรงงานมากและใช้เวลานาน นอกจากนี้ยังมีการทดสอบการนอนหลับที่บ้าน (HST) ที่ได้รับความนิยมเพิ่มขึ้นเนื่องจากความสะดวกสบายแต่ยังมีอุปกรณ์ HST หลายตัวที่ยังขาดการตรวจวัด EEG ดังนั้น เป้าหมายของเราคือการพัฒนาแบบจำลองสำหรับการตรวจจับเหตุการณ์หยุดหายใจและหายใจแผ่วโดยใช้สัญญาณที่ไม่ใช่ EEG 3 ชนิดเพื่อหาระดับความรุนแรงของภาวะหยุดหายใจขณะหลับสำหรับบันทึกการนอนหลับตลอดคืน เราได้เสนอแบบจำลอง YOLOv8n ที่ปรับแต่งให้เหมาะสมสำหรับงานนี้ แบบจำลองที่เสนอถูกฝึกฝน ตรวจสอบความถูกต้อง และทดสอบโดยใช้ชุดข้อมูล 2 ชุดมีจำนวน 2,056 และ 23 ชุดข้อมูล โดยเป็นข้อมูลบันทึกการนอนหลับตลอดคืนจากการศึกษา Multi-Ethnic Study of Atherosclerosis (MESA) และ St.Vincent’s University Hospital/University College Dublin Sleep Apnea (UCD) ตามลำดับ โดยวัดประสิทธิภาพจากชุดทดสอบ 15% สำหรับ MESA และ 23-fold cross validation สำหรับ UCD เมื่อเปรียบเทียบกับแบบจำลองจากงานวิจัยที่มีอยู่ แบบจำลองให้ประสิทธิภาพการทดสอบแบบอิงตามตัวอย่างที่ดีพอสมควร เพื่อประเมินประสิทธิภาพการทดสอบที่สมจริงมากขึ้น ระดับความรุนแรงของภาวะหยุดหายใจขณะหลับถูกทำนายโดยใช้เหตุการณ์หยุดหายใจ/หายใจแผ่วที่ตรวจพบทั้งใช้และไม่ใช้ค่าจริง (groundtruth) ของเวลานอนหลับทั้งหมด (TSTs) ผลลัพธ์แสดงให้เห็นว่าแบบจำลองที่เสนอให้ค่าประสิทธิภาพแบบอิงตามเหตุการณ์ที่ดีกว่าแบบจำลองที่มีอยู่มาก นอกจากนี้แบบจำลองที่เสนอยังให้ความสอดคล้องของค่าสัมประสิทธิ์แคปปาของโคเฮนตั้งแต่ระดับปานกลางถึงระดับสูงโดยค่าสัมประสิทธิ์แคปปาของโคเฮน อยู่ระหว่าง 0.61 ถึง 0.81 Sleep apnea is a sleep breathing disorder, causing ineffective sleep, that may lead to serious problems. Severity of sleep apnea is determined by an apnea-hypopnea index (AHI) that is usually obtained manually with both labor intensive and time consuming. Additionally, while the popularity of home sleep testing (HST) is increasing, many HST devices still lack EEG monitoring. Thus, our goal is to develop a machine learning model for detecting apnea and hypopnea events using 3 non-EEG signals to determine a severity level of sleep apnea for a full overnight record. We propose a modified YOLOv8n model for this task. The proposed model was trained, validated, and tested using 2 datasets including 2,056 and 23 full overnight records from the Multi-Ethnic Study of Atherosclerosis (MESA) and the St.Vincent’s University Hospital/University College Dublin Sleep Apnea (UCD), respectively. Testing performances of the proposed model were evaluated using 15% record-based data splitting for MESA and 23-fold cross validation for UCD. By comparing with selected existing models, the proposed model achieves reasonably good sample-based testing performances. To assess more realistic testing performance, the severity levels of sleep apnea were predicted using the detected apnea/hypopnea events with and without groundtruth total sleep times (TSTs). The results show that the proposed model provides severity-level (event-based) performances substantially better than the existing model. The proposed model also achieves moderate to substantial agreement with the groundtruth severity levels where the Cohen’s Kappa coefficients are between 0.61 and 0.81.

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: พันศักดิ์ เทียนวิบูลย์

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Created: 2566

Modified: 2569-06-27

Issued: 2569-06-27

วิทยานิพนธ์/Thesis

application/pdf

URL: https://www.lib.ku.ac.th/KUthesis/2566/denphum-aphi-all.pdf

CallNumber: TK1001.ด55

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมไฟฟ้า

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	denphum-aphi-all.pdf	2.7 MB

ใช้เวลา

0.038089 วินาที