Konferensi Internasional IEEE 2013 tentang Bioinformatika dan Biomedis

Apnea MedAssist II: Sistem berbasis ponsel pintar untuk

penilaian apnea tidur
Cheng Shi, Mehrdad Nourani, Gopal Gupta dan Lakshman Tamil
Laboratorium Quality of Life Technology Jurusan
Teknik Elektro
University of Texas di Dallas
Richardson, TX 75080 AS

Abstrak - kami telah mengembangkan apnea tidur waktu nyata penting sebelum meresepkan obat tertentu untuk pasien
sistem pemantauan yang disebut "Apnea MedAssist II". Ini mempunyai dan pemberian anestesi umum sebelum operasi. Juga itu
tiga sensor independen: ECG, SpO2 dan sensor Nafas. dapat memberikan umpan balik waktu nyata untuk perawatan seperti CPAP

Sensor ini terhubung ke smartphone melalui Bluetooth.
Pemrosesan sinyal berupa sinyal sensor dan otomatis
klasifikasi periode tidur sebagai peristiwa apnea atau non-
acara apnea dilakukan di ponsel pintar. Perangkat lunak untuk
pemrosesan sinyal dan klasifikasi otomatis dapat
diimpor ke ponsel pintar berbasis OS Android sebagai 'aplikasi'
yang kami kembangkan. Sistem memiliki akurasi yang tinggi
97% saat diuji pada database Physionet. Sistem sedang berjalan
disiapkan untuk uji coba pasien terbatas.
dan terapi posisi [3].
Elektrokardiografi (EKG), Oksimetri (SpO2) dan Nafas
Belt dipilih sebagai sensor untuk mengurangi pengujian sistem
kompleksitas dan persyaratan komputasi. Platformnya adalah
Ponsel pintar berbasis sistem operasi Android dan menyediakan data
akuisisi, pemrosesan, pemantauan dan kemampuan penilaian.
Skema otomatis untuk mengklasifikasikan suatu peristiwa sebagai sleep apnea
acara atau tidak acara apnea tidur didasarkan pada Dukungan Vektor
Mesin (SVM) [4]. SVM adalah metode pembelajaran mesin yang sangat kuat.

Kata kunci — Sleep Apnea; Telemedicine; EKG; SpO2; Sensor Brathing; SVM.
Makalah ini disusun sebagai berikut. Bagian II mengulas studi sebelumnya,
Bagian III menjelaskan gambaran umum arsitektur sistem dan Bagian IV
SAYA. saya PENDAHULUAN
memberikan rincian pengolahan data. Pemilihan fitur dan metodologi klasifikasi
diilustrasikan di bagian V dan hasilnya dibahas di bagian VI. Kata penutup
disediakan di bagian VII.
Obstructive Sleep Apnea (OSA) adalah jenis gangguan tidur umum yang
ditandai dengan berhenti dan mulai bernapas secara berulang selama tidur.
Biasanya, penderita bisa berhenti
bernapas selama 10 hingga 30 detik dan ini dapat berulang ratusan kali dalam satu II. L ITERATUR R EVIEW
malam [1]. Apnea tidur yang sering dan berlebihan dapat menyebabkan kantuk di siang
hari, kelelahan, dan penurunan daya ingat. OSA juga bisa berhubungan dengan
Ada banyak penelitian yang dilakukan untuk membuat diagnosis apnea tidur
angina, aritmia dan stroke. Ini dianggap sebagai penyebab banyak kecelakaan industri
menjadi mudah dan nyaman menggunakan sensor bio-sinyal seperti ECG, EEG,
dan mobil yang menyebabkan hilangnya banyak nyawa dan miliaran dolar.
Oximeter, aliran udara hidung, dll. Oliver dan Flores-Mangas [5] menggunakan
tingkat oksigen darah (SpO2) untuk skrining OSA. Fu-Chung dkk. [6] menggunakan
Metode utama untuk mendiagnosis apnea tidur adalah dengan menjalani sinyal aliran udara CPAP terintegrasi untuk mengidentifikasi episode OSA.
tes Polisomnografi (PSG). PSG adalah tes komprehensif dengan setidaknya 11 Pentagay dkk. [7] menggunakan suara jantung (S1) yang dihasilkan selama
sensor (22 kabel) yang dipasang di tubuh pasien, dilakukan di laboratorium episode OSA dikombinasikan dengan EKG. Penerapan pengklasifikasi SVM dalam
tidur. Pasien dikatakan mengidap OSA jika Apnea Hypopnea Index (AHI) lebih skrining apnea dibahas dalam [8] dan [9]. Studi skrining OSA lain berdasarkan EKG
dari 5 per jam. Definisi AHI adalah jeda napas yang berlangsung lebih dari 10 menggunakan pengklasifikasi Gaussian, diskriminator linier atau kuadrat [10], [11],
detik dengan desaturasi oksigen dalam darah. . Dengan menggabungkan dua yang bergantung pada asumsi bahwa fitur memiliki distribusi Gaussian.
kriteria ini, AHI dapat mengevaluasi gangguan tidur dan tingkat keparahan
kekurangan oksigen. Ada beberapa jenis pengobatan untuk Apnea Tidur
termasuk penurunan berat badan, tekanan saluran napas positif berkelanjutan
Daftar berikut menunjukkan kontribusi makalah ini atas studi sebelumnya:
(CPAP) [2] dan operasi saluran napas bagian atas.

• Kumpulan fitur tereduksi yang dioptimalkan untuk pengklasifikasi ECG: Metode

sebelumnya untuk klasifikasi berbasis ECG memerlukan lebih dari 119 fitur, yang
Penelitian kami bertujuan untuk mengembangkan sistem yang lebih sederhana yang
memerlukan sumber daya komputasi yang tinggi. Kami mengurangi fitur menjadi 10 dan
memberikan kemampuan diagnosis yang sama dengan PSG, tetapi dapat digunakan untuk
masih mencapai hasil yang hampir sama dengan fitur dengan jumlah fitur lebih banyak.
memantau apnea tidur di rumah daripada di laboratorium tidur yang mahal dan tidak nyaman.
Penilaian OSA juga sangat bagus

978-1-4799-1310-7 / 13 / $ 31.00 © 2013 IEEE 572

 Gambar 1. Arsitektur sistem Sleep Apnea MedAssist II

• Meningkatkan jumlah sensor menjadi tiga: kami menggunakan tiga
sensor independen untuk meningkatkan akurasi dan mengungkapkan korelasi
antara SpO2, EKG dan sensor nafas.
• Teknik baru untuk menghilangkan noise sensor: kami mengembangkan
metode baru berdasarkan transformasi wavelet untuk menghilangkan noise yang
ada di EKG dan sensor Nafas.
• Lebih banyak informasi fisiologis diekstraksi dari 3 data sensor.
Selama operasi pemantauan, ponsel pintar terus mengirimkan hasilnya ke
server cloud kami sehingga informasi real-time dapat diakses oleh dokter
melalui portal dokter. Ini juga menyediakan antarmuka pengguna untuk
visualisasi data dan evaluasi diri pasien. Keunggulan layanan cloud termasuk
keamanan, keandalan, ketahanan, dan skalabilitas.
IV. S PENGOLAHAN DAN ANALISIS IGNAL

• Sistem yang sepenuhnya otomatis untuk akuisisi data sensor waktu nyata,
pemrosesan dan analisis sinyal.
AKU AKU AKU. S ARSITEKTUR YSTEM
Sistem pemantauan apnea tidur yang ditunjukkan pada Gambar 1 berisi 3
modul berbeda: Sensor, Aplikasi Ponsel Cerdas, dan Manajemen data berbasis
cloud. Sensor untuk sistem kami adalah Zephyr ECG, Zephyr breath sensor [12],
dan Nonin Spo2 [13]. Sistem termodulasi dengan baik sehingga akan bekerja
dengan sensor yang setara. Sensor Zephyr ECG dan Pernapasan terintegrasi ke
dalam sabuk kain untuk meningkatkan keserbagunaan dan kenyamanan.
Keduanya dapat terhubung ke ponsel pintar melalui Bluetooth untuk mengirim data
dan menerima perintah. Mereka ringan dan kecil yang membuatnya mudah dipakai
tanpa mengurangi mobilitas.
Kami memilih Samsung Galax S3 sebagai platform ponsel pintar. Ini memiliki
banyak keunggulan termasuk sistem operasi Android yang andal, prosesor
komputasi yang kuat, ukuran memori yang besar, dan baterai berkapasitas besar. Ini
memiliki kemampuan untuk terhubung ke sensor melalui Bluetooth dan juga
berkomunikasi dengan server cloud melalui 4G. Kami mengemas bagian akuisisi
data, pemrosesan data, dan analisis data kami ke dalam Aplikasi Android. Ia bekerja
di latar belakang dan dapat menyelesaikan semua tugas tanpa gangguan pada
fungsi normal ponsel pintar.
Kami merancang "Apnea MedAssist II" sebagai sistem pemantauan sleep apnea yang
akurat, andal, real-time, dan otomatis dengan menggunakan data dari tiga sensor berbeda
dan independen: ECG lead tunggal, SpO2, dan sensor Nafas. Untuk setiap aliran data ,,
kami memecah data menjadi 1 menit waktu yang tidak tumpang tindih dan telah
mengembangkan pengklasifikasi yang dapat mengklasifikasikan peristiwa menit demi menit
sebagai peristiwa apnea atau non-apnea.
A. Pemrosesan EKG tunggal
Sensor EKG mengukur aktivitas kelistrikan batang tubuh dengan laju pengambilan
sampel 250Hz. Setelah "Apnea MedAssist II" mengumpulkan data hingga satu menit, data
tersebut dilewatkan, sebuah filter wavelet otomatis yang dirancang untuk menghilangkan
kebisingan dan mengekstraksi informasi yang berguna yang merupakan poin karakteristik
(P, Q, R,
S, J, T). Algoritma wavelet yang digunakan untuk menghilangkan kebisingan adalah
skema pengangkatan tanpa batas (ULWT) [14]. Setelah membandingkan
dekomposisi wavelet yang berbeda, kami memilih wavelet orde empat "Daubechies"
[15] sebagai dasar untuk menguraikan sinyal menjadi tujuh tahap. Detail sinyal
diberikan oleh
dan perkiraan yang sesuai dengan. Di sini, adalah indeks panggung. .
Kompensasi kebisingan dilakukan dengan menghilangkan D. 1 dan C 7 koefisien sinyal.
Gbr. 2 menunjukkan performa ECG wavelet dalam menghilangkan derau.

573
 memperkirakan aktivitas saraf parasimpatis, kita tentukan persamaan berikut
yang menghitung jumlah titik ekstrim (NEP) [17].

Dimana unit [.] Adalah fungsi langkah dan berdetak dalam adalah jumlah hati
jangka waktu satu menit.

Sinyal respirasi turunan EKG lainnya adalah EDR, yang ditentukan oleh perubahan
sinyal EKG relatif terhadap gerakan dada. Ada beberapa metode untuk
mengekstrak sinyal EDR dari amplitudo R, amplitudo T, area QRS, dan area T.
Kami memilih metode amplitudo gelombang-R karena lebih cocok untuk data laju
pengambilan sampel rendah dengan rasio sinyal terhadap noise rendah. Dari
Gambar 2. Perbandingan EKG antara sinyal mentah (merah) dan sinyal tersaring (biru).
Gbr.4, pembungkus puncak R digunakan untuk memperkirakan gerakan napas.

Setelah menghilangkan noise, metode ambang batas adaptif diadopsi untuk

mengekstrak informasi dari sinyal. Pertama, kami memisahkan kompleks QRS dari
gelombang P dan gelombang T sinyal EKG, kemudian menggunakan sub-band D5
UWLT untuk merekonstruksi kompleks QRS dan sub-band D7 untuk merekonstruksi
gelombang T. Untuk setiap level wavelet, ambang adaptif diterapkan untuk
menghilangkan tumpang tindih yang tidak perlu antara sinyal QRS dan PT dan
menggarisbawahi detail daya yang penting. Ambang batas adaptif menghilangkan
jumlah yang sebanding dengan jendela yang berpusat pada koefisien yang sesuai dari
setiap tahap wavelet [15]. Untuk

j th koefisien pada , ambangnya adalah:

(1)

Dimana t s adalah ambang awal untuk tingkat, x s-1saya

adalah i th
koefisien level s-1 dan V adalah rata-rata jendela. Kemudian empat titik Gambar 4. Estimasi EDR (merah) dari EKG (biru).

karakteristik QRS yaitu Q, R, S, J, dan tiga T

Dari dua deret waktu, kami mengekstrak baik dalam domain waktu dan
poin karakteristik (P Mulailah, P. puncak, P. akhir) terdeteksi dari dua sinyal EKG yang
domain spektral total 111 fitur yang ditunjukkan pada tabel I dengan metode
direkonstruksi. Poin karakteristik ini akan menjadi
analisis frekuensi waktu. Kami menguraikannya menggunakan wavelet DB4 9
digunakan lebih lanjut untuk mengekstrak fitur yang terkait dengan pernapasan.
level, kemudian menghitung mean, variasi, spektrum daya pada 3 pita frekuensi
yang berbeda (frekuensi sangat rendah 0,003Hz-0,04Hz, frekuensi rendah
0,04Hz-
0.15Hz, frekuensi tinggi 0.15-0.4Hz).

TABEL I. EKGFITUR

FITUR HRV DEFINISI

BERARTI Rata-rata HRV
STANDAR Sebarkan HRV
DEVIASI
Jumlah perbedaan detak jantung
NN50
lebih dari 50ms

SARANA INTETBEAT
Rata-rata NN50
PERBEDAAN
NEP Didefinisikan dalam persamaan (2)

PSD LF Kepadatan spektrum daya frekuensi rendah

Gbr. 3. HRV EKG selama 60 menit PSD VLF Kepadatan spektrum daya sangat rendah
frekuensi
Perubahan sinyal EKG tertentu terkait erat dengan pernapasan. Kami VARIANSI DWT Varians koefisien wavelet
FITUR EDR DEFINISI
mengekstrak dua kelompok informasi dari sinyal EKG: Variabilitas Denyut
BERARTI Rata-rata EDR
Jantung (HRV) dan perubahan morfologi (EDR) [16]. Berdasarkan fisiologi
STANDAR Menyebar keluar dari EDR
manusia, laju respirasi sinkron dengan kira-kira setengah detak jantung, karena DEVIASI
dikoordinasikan oleh sistem saraf parasimpatis yang sama. Selama periode PSD LF Kepadatan spektrum daya frekuensi rendah
apnea tidur, laju napas melambat diikuti dengan percepatan yang cepat. PSD VLF Kepadatan spektrum daya sangat rendah

Fenomena yang dipetakan ke dalam EKG adalah variasi HRV. Jadi, kami frekuensi
mengukur deret waktu HRV untuk mencerminkan jenis fluktuasi ini. Itu VARIANSI DWT Varians koefisien wavelet

ditunjukkan pada Gbr.3. Untuk

574
B. Pemrosesan Sinyal Sinyal Nafas
Sensor nafas diintegrasikan ke dalam tali EKG, dapat mengukur perbedaan
tegangan sabuk yang dihasilkan oleh pernafasan dan aktivitas pernafasan dari
rongga dada manusia. Dari gelombang nafas, informasi pernafasan seperti
kecepatan nafas, ventilasi dan penghentian nafas dapat diekstraksi.
Bagaimanapun, modalitas tubuh, aktivitas fisik dan lingkungan tidur selalu
menimbulkan gangguan kebisingan yang signifikan. Suara-suara ini akibatnya
dapat menyebabkan penghitungan informasi nafas yang tidak akurat [15].

Untuk menghilangkan noise, algoritma berbasis wavelet lain telah

digunakan; Metode ini mirip dengan metode penghilangan derau wavelet EKG.
Perbedaannya adalah kita memilih wavelet “sym4” [10] daripada wavelet DB4
dan mengurangi tingkat dekomposisi menjadi 6. Setelah detail D1 dan koefisien
sinyal C6 dihilangkan, gelombang pernapasan terakhir adalah jumlah dari tahap
dekomposisi yang tersisa. Untuk menghitung fitur secara efisien, kami mengubah
Gambar 6. Sinyal pernapasan dari perut (atas) dan dada (bawah) [19]
sinyal seperti kosinus menjadi sinyal bentuk persegi panjang.

Gambar 6 di atas adalah gelombang nafas yang dihasilkan selama satu jam yang
memiliki bagian normal dan apnea tidur. Gambar tersebut menunjukkan bahwa pernapasan
obstruktif dapat menyebabkan amplitudo, frekuensi, dan perubahan fasa pada gelombang.
Dari fenomena tersebut, kami mengekstrak lima fitur berbeda yang ditunjukkan pada TABEL
II.

C. Pengolahan Sinyal Sinyal SpO2

Oksimeter denyut menghitung saturasi oksigen dengan menghitung kapasitas
penyerapan cahaya deoksihemoglobin dan hemoglobin dalam arteri darah. Selama
periode sleep apnea, pernapasan yang terhenti menyebabkan penurunan kadar
oksigen dalam darah dan selama pemulihan pernapasan, pernapasan kembali
normal. Perubahan ini ditunjukkan pada Gambar. 7. Untuk mengukur desaturasi
oksigen, kami memilih total 5 fitur dari data SpO2. Mereka dijelaskan di TABEL III.

TABEL II. FITUR SENSOR NAFAS

Gbr. 5. Sinyal nafas mentah, (b) sinyal nafas setelah denoising, (c) persegi panjang
sinyal nafas. FITUR DEFINISI

Karena perbedaan dalam postur dan sinkronisasi pernapasan dada-perut, DENYUT NAFAS Jumlah siklus nafas per menit
tidak mungkin untuk mendapatkan volume pernapasan yang akurat dengan
Volume udara yang dipindahkan di antara inspirasi
satu pita. Untuk melakukan pengukuran pernapasan volumetrik secara akurat, VOLUME PASANG SURUT
dan kedaluwarsa
analisis pernapasan harus terdiri dari tali napas ganda yang dipasang di sekitar MENIT
Tingkat nafas Volume tidal
dada dan perut. Keluaran dari dua sensor pernapasan terkait dengan gerakan VENTILASI
respirasi batang tubuh, dimana amplitudo sebanding dengan volume paru-paru FRAKSIONAL Rasio waktu inspirasi dengan total nafas
WAKTU INSPIRASI waktu
dan frekuensinya sebanding dengan laju napas.
Pergeseran fase antara toraks dan
SUDUT FASE
gerakan perut

Gambar 7. Perubahan desaturasi oksigen selama apnea (kanan) dan duirng tidur normal (kiri)

575
 Tabel IV menunjukkan kelompok fitur optimal dengan skor CFS tertinggi yang
diperoleh melalui pencarian menyeluruh untuk semua 3 sensor yang berbeda.
TABEL III. FITUR SPO2 Performa pengklasifikasi keseluruhan yang menggunakan set fitur optimal hampir
sama dibandingkan dengan performa yang menggunakan set fitur lengkap. Selain
FITUR DEFINISI itu, rangkaian fitur yang dioptimalkan ini dapat sangat mengurangi daya dan
Nilai rata-rata de-saturasi oksigen darah kompleksitas komputasi, sehingga cocok untuk komputasi seluler.
BERARTI

PERBEDAAN Tersebar dari data SpO2

Frekuensi penurunan kadar oksigen darah lebih TABEL IV. B SET FITUR EST
ODI3
dari 3 persen per jam.
Jumlah
DELTA INDEX Ukur keragaman data Sensor Set Fitur Terbaik
fitur
CTM50 Distribusi data dalam radius 50 Penyimpangan berdiri 1
NEP 1
Varians EDR 1
EKG
V. C LASIFIKASI DAN F MAKAN S PEMILIHAN EDR PSD 3
RR PSD 3
Varians RR 1
Rerata de-saturasi oksigen Varians 1
A. Database subjek untuk mengembangkan model
SpO2 de-saturasi oksigen 1
Algoritma ECG dan SpO2 dirancang dan diuji oleh Physionet Sleep Apnea Indeks Delta 1
Database [18]. Ini memiliki total 35 studi tidur. Setiap catatan terdiri dari sinyal Pernafasan Tingkat pernapasan 1

ECG dan SpO2 dan dijelaskan oleh para ahli mengenai apnea dan kejadian Sensor Sudut fase 2

normal berdasarkan saturasi oksigen dan respirasi. Seluruh rekaman dibagi

menjadi 3 kelompok berbeda: Grup-A rekaman data tidur 20 malam penuh
dengan apnea tidur tingkat tinggi., Grup-B rekaman data tidur 5 malam penuh
dengan apnea tidur rendah, dan rekaman Grup-C 10 malam tidur normal tanpa
apnea. Semua catatan berisi penjelasan yang ditandai oleh para ahli untuk
setiap menitnya, yang menunjukkan ada atau tidaknya apnea [18].
B. Pengklasifikasi Support Vector Machines (SVM)
Kami memilih mesin vektor dukungan (SVM) [17] untuk melakukan klasifikasi
untuk Sleep Apnea. Ini adalah model pembelajaran yang diawasi yang memisahkan
data menjadi dua kategori dengan hyper-plane linier. Untuk tiga sensor berbeda, kami
VI. E XPERIMENTAL R ESULTS
Kami memilih "Database ECG Sleep-Apnea" [18] yang memiliki data SpO2
selain data ECG untuk membangun dan menguji model. Kami melatih model
menggunakan SVM. Kami pertama kali menerapkan validasi silang 10 kali lipat ke
setiap subjek untuk mendapatkan kinerja klasifikasi yang khas. Setelah itu, kami
menguji model tersebut menggunakan subjek yang berbeda untuk mendapatkan
kinerja subjek yang lebih umum. TABEL V menunjukkan hasil rata-rata untuk setiap
rekaman.
TABEL V. HASIL EKSPERIMENTAL

membuat tiga model SVM berbeda untuk mengklasifikasikan datanya secara terpisah.
Merekam Dalam kinerja subjek Di antara subjek
Kami menggunakan metode validasi K-cross untuk mengevaluasi pengklasifikasi dan Indeks kinerja
mencegah masalah over-fitting. Validasi lintas subjek dilakukan dengan Acc. Sens. Spesifikasi. Acc. Sens. Spesifikasi.
menggunakan data dari beberapa subjek sehingga meningkatkan akurasi A01 98,61% 85,32% 90,23% 89,01% 87,23% 89,55%
pengklasifikasi untuk subjek acak. Karena skala fitur yang berbeda bervariasi dalam A02 97,82% 84,37% 90,12% 90,32% 86,32% 88,74%
rentang yang besar, semua fitur dinormalisasi ke rata-rata nol dan deviasi unit. A03 96,63% 87,32% 89,56% 88,87% 85,17% 87,49%
A04 98,32% 85,36% 90,12% 91,90% 87,36% 89,38%
B01 97,14% 86,54% 90,68% 88,78% 88,56% 89,67%
C01 96,35% 87,89% 90,21% 91,91% 87,69% 88,55%
C. Pemilihan fitur
C02 95,33% 86,79% 89,37% 89,42% 85,41% 87,24%
Rangkaian fitur yang tidak dipilih dengan cermat mungkin memiliki fitur
C03 98,21% 88,97% 89,42% 88,21% 86,54% 87,19%
redundansi atau tidak terkait yang dapat mengurangi kinerja pengklasifikasi atau
menimbulkan gangguan. Jadi, kami memilih metode yang disebut Correlation Feature
Selection (CFS) untuk menemukan set fitur yang optimal. CFS memilih fitur Indeks apnea-hipopnea tidur (AHI) adalah indikator diagnostik yang paling
berdasarkan subset fitur yang sangat berkorelasi dengan klasifikasi, namun tidak diterima secara luas. Indeks ini memberikan diagnosis keseluruhan untuk keparahan
berkorelasi satu sama lain [19]. Metode ini bekerja dengan memaksimalkan fungsi apnea tidur. AHI dihitung sebagai jumlah kejadian sleep apnea per jam. Diagnosis
biaya apnea tidur biasanya diklasifikasikan sebagai 5–15 / jam = ringan; 15–30 / jam =
sedang; dan> 30 / jam = parah.

Metode penilaian Physionet Database memberikan anotasi hanya untuk

Dimana adalah 'biaya' heuristik dari subset fitur fitur. setiap menit, yang dikategorikan sebagai "menit Apnea" atau "Menit normal".
mengandung adalah rata-rata dari kelas fitur Jelasnya, panjang segmen satu menit ini jauh lebih lama daripada jeda
korelasi dan adalah rata-rata dari feature-feature pernapasan 10 detik yang didefinisikan sebagai apnea. Selain itu, definisi AHI
juga memiliki keterbatasan dalam merefleksikan tidur yang sebenarnya
autokorelasi.

576
kondisi apnea, karena dihitung sebagai rata-rata sepanjang waktu tidur sedangkan
apnea dapat terjadi dalam kelompok.
Kami telah mengembangkan metode heuristik untuk memberikan akurasi
indeks AHI yang lebih baik dengan menggabungkan hasil pengklasifikasi ECG
dan SpO2 dengan sinyal sensor napas. Hasil pengklasifikasian menunjukkan
adanya kejadian apnea, maka dilakukan pengecekan kembali pembacaan sinyal
nafas dan saturasi oksigen selama satu menit tersebut untuk melihat berapa kali
terjadi jeda nafas dengan saturasi oksigen kurang dari 4%. Ini memberikan
hitungan apnea yang lebih akurat daripada penilaian waktu per menit. Kami juga
mengamati bahwa sebagian besar kejadian apnea tidur ringan dan sedang terjadi
selama tahap tidur Rapid Eye Movement (REM). Khususnya selama tidur REM,
tonus otot tenggorokan dan leher, serta sebagian besar otot rangka, hampir
seluruhnya bertingkat. Hal ini memungkinkan lidah dan langit-langit lunak untuk
rileks. Jadi dalam kasus apnea tidur, aliran udara terhalang sampai derajat mulai
dari dengkuran ringan sampai kolaps total [20]. Tapi, apnea tidur yang parah
terjadi selama semua tahap tidur sepanjang malam. Distribusi kejadian apnea
untuk kasus ringan dan parah selama periode satu malam ditunjukkan pada
Gambar. 9.
[1] Gugus Tugas American Academy of Sleep Medicine (AASM), "Gangguan pernapasan
terkait tidur pada orang dewasa: Rekomendasi untuk definisi sindrom dan teknik
pengukuran dalam penelitian klinis," Sleep, vol.22, pp.667–689, 1999.J.Clerk Maxwell
, A Treatise on Electricity and Magnetism, edisi ke-3, vol. 2. Oxford: Clarendon, 1892,
hlm. 68-73.
[2] RK Kakkar dan RB Berry, "Pengobatan tekanan jalan napas positif untuk Apnea tidur
obstruktif," Dada, vol. 132, hlm. 1057–1072, 2007.K. Elissa, “Judul makalah jika diketahui,”
tidak diterbitkan.
[3] C. den Herder, J. Schmech, D. Appelboom, dan N. de Vries, “Resiko anestesi umum
pada orang dengan obstructive sleep Apnea,” Br. Med. J., (BMJ), vol. 329, hlm. 955–959,
2004, 2011.Y. Yorozu, M. Hirano, K. Oka, dan Y. Tagawa, "Studi spektroskopi elektron
pada media magneto-optik dan antarmuka substrat plastik," IEEE Transl. J. Magn.
Jepang, vol.
2, hlm. 740-741, Agustus 1987 [Digests 9th Annual Conf. Magnetics Japan, hal. 301,
1982].
[4] C. Cortes dan V. Vapnik, "Mesin pendukung-vektor," Mach. Belajar, vol. 20, hlm.
273–297, 1995.
[5] N. Oliver dan F. Flores-Mangas, “HealthGear: Sistem yang dapat dikenakan waktu nyata untuk
memantau dan menganalisis sinyal fisiologis,” di Proc. IEEE Int. Jaringan Sensor Tubuh Implan
Yang Dapat Dipakai Workshop. (BSN), Apr.
2006, hal. 4.

[6] Y. Fu-Chung, K. Behbehani, E. Lucas, J. Burk, dan J. Axe, "Teknik non-invasif

untuk mendeteksi gangguan tidur apnea dan sentral," IEEE Trans. Biomed. Eng.

[7] AH Khandoker, M. Palaniswami, dan C Karmakar, "Mendukung mesin vektor untuk

pengenalan otomatis sindrom Apnea tidur obstruktif dari rekaman EKG," IEEE
Trans. Inf. Technol. Biomed., Vol 13, no. 1, hlm. 37–48, Januari 2009.

[8] A. Patangay, P. Vemuri, dan A. Tewfik, "Monitoring of Obstructive Sleep Apnea pada
pasien gagal jantung," di Proc. 29th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc.
(EMBS) Cit 1/2 Int., Lyon, Prancis, Agu.
2007, hlm. 1043–1046.

[9] B. Raymond, RM Cayton, RA Bates, dan MJ Chappell, "Skrining untuk Apnea tidur
obstruktif berdasarkan elektrokardiogram — Komputer dalam tantangan kardiologi,"
Comput. Cardiol. , vol. 27, hlm. 267–
270, 2000.

[10] P. de Chazal, C. Heneghan, E. Sheridan, R. Reilly, P. Nolan, dan M. O'Malley,

"Pemrosesan otomatis elektrokardiogram timbal tunggal untuk mendeteksi Apnea
tidur obstruktif," IEEE Trans. Biomed. Eng., Vol. 50, tidak. 6, hlm. 686–696, Juni 200

Gambar 8. Distribusi apnea tidur ringan dan berat; area biru menunjukkan
[11] http://www.zephyranywhere.com/
waktunya sleep apnea.
[12] http://www.nonin.com/

Untuk menunjukkan rincian ini, kami menganalisis distribusi kejadian apnea selama [13] M. Jansen dan P Oonincx, Wavelet dan Aplikasi Generasi Kedua. New York:
Springer-Verlag, 2005.
satu malam: kejadian apnea yang lebih pendek dan terdistribusi diklasifikasikan sebagai
kasus ringan dan distribusi kejadian apnea yang lebih seragam diklasifikasikan sebagai [14] Bsoul M, Minn H, Tamil L. Apnea MedAssist: monitor apnea tidur waktu-nyata menggunakan
EKG timbal tunggal. IEEE Trans Inf Technol Biomed. 2011 Mungkin; 15 (3): 416–27.10.1109 /
kasus parah.
TITB.2010.2087386.

[15] GD Furman, Z. Shinar, A. Baharav, dan S. Akselrod, "Elektrokardiogram berasal

VII. KESIMPULAN
dari respirasi selama tidur," Comput. Cardiol., Vol. 32, hlm. 351–354, 2005.

Sistem "Apnea MedAssist II" adalah sistem diagnosa jarak jauh yang [16] F. Yasuma dan J. Hayano, "Aritmia sinus pernapasan," Amer. Dokter Dada Perguruan
sepenuhnya otomatis. Ini dapat menggantikan tes PSG dengan harga yang Tinggi, Dada, vol. 125, hlm. 683–690, 2004.

lebih murah tetapi dengan akurasi yang hampir setara. Penerapan ponsel pintar [17] http://www.physionet.org

juga membuatnya tersedia untuk populasi yang lebih besar. Para pasien tidak
lagi harus pergi ke lab tidur, dan dapat menjalani tes dalam kenyamanan
rumahnya.
[18] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus
JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, dan PhysioNet:
Komponen Sumber Daya Penelitian Baru untuk Sinyal Fisiologis Kompleks.
Sirkulasi 101 (23): e215- e220 2000 (13 Juni).

[19] M. Hall 1999, Pemilihan Fitur Berbasis Korelasi untuk Pembelajaran Mesin.
R EFERENSI
[20] http://en.wikipedia.org/wiki/Obstructive_sleep_apnea

577