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. dan terapi posisi [3].
Pemrosesan sinyal berupa sinyal sensor dan otomatis Elektrokardiografi (EKG), Oksimetri (SpO2) dan Nafas
klasifikasi periode tidur sebagai peristiwa apnea atau non- Belt dipilih sebagai sensor untuk mengurangi pengujian sistem
acara apnea dilakukan di ponsel pintar. Perangkat lunak untuk kompleksitas dan persyaratan komputasi. Platformnya adalah
pemrosesan sinyal dan klasifikasi otomatis dapat Ponsel pintar berbasis sistem operasi Android dan menyediakan data
diimpor ke ponsel pintar berbasis OS Android sebagai 'aplikasi' akuisisi, pemrosesan, pemantauan dan kemampuan penilaian.
yang kami kembangkan. Sistem memiliki akurasi yang tinggi Skema otomatis untuk mengklasifikasikan suatu peristiwa sebagai sleep apnea
97% saat diuji pada database Physionet. Sistem sedang berjalan acara atau tidak acara apnea tidur didasarkan pada Dukungan Vektor
disiapkan untuk uji coba pasien terbatas. 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.
• Meningkatkan jumlah sensor menjadi tiga: kami menggunakan tiga Selama operasi pemantauan, ponsel pintar terus mengirimkan hasilnya ke
sensor independen untuk meningkatkan akurasi dan mengungkapkan korelasi server cloud kami sehingga informasi real-time dapat diakses oleh dokter
antara SpO2, EKG dan sensor nafas. melalui portal dokter. Ini juga menyediakan antarmuka pengguna untuk
visualisasi data dan evaluasi diri pasien. Keunggulan layanan cloud termasuk
• Teknik baru untuk menghilangkan noise sensor: kami mengembangkan
keamanan, keandalan, ketahanan, dan skalabilitas.
metode baru berdasarkan transformasi wavelet untuk menghilangkan noise yang
ada di EKG dan sensor Nafas.
IV. S PENGOLAHAN DAN ANALISIS IGNAL
• Lebih banyak informasi fisiologis diekstraksi dari 3 data sensor.
Kami merancang "Apnea MedAssist II" sebagai sistem pemantauan sleep apnea yang
• Sistem yang sepenuhnya otomatis untuk akuisisi data sensor waktu nyata, akurat, andal, real-time, dan otomatis dengan menggunakan data dari tiga sensor berbeda
pemrosesan dan analisis sinyal. 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
AKU AKU AKU. S ARSITEKTUR YSTEM
mengembangkan pengklasifikasi yang dapat mengklasifikasikan peristiwa menit demi menit
sebagai peristiwa apnea atau non-apnea.
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],
A. Pemrosesan EKG tunggal
dan Nonin Spo2 [13]. Sistem termodulasi dengan baik sehingga akan bekerja Sensor EKG mengukur aktivitas kelistrikan batang tubuh dengan laju pengambilan
dengan sensor yang setara. Sensor Zephyr ECG dan Pernapasan terintegrasi ke sampel 250Hz. Setelah "Apnea MedAssist II" mengumpulkan data hingga satu menit, data
dalam sabuk kain untuk meningkatkan keserbagunaan dan kenyamanan. tersebut dilewatkan, sebuah filter wavelet otomatis yang dirancang untuk menghilangkan
Keduanya dapat terhubung ke ponsel pintar melalui Bluetooth untuk mengirim data kebisingan dan mengekstraksi informasi yang berguna yang merupakan poin karakteristik
dan menerima perintah. Mereka ringan dan kecil yang membuatnya mudah dipakai (P, Q, R,
tanpa mengurangi mobilitas. 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
Kami memilih Samsung Galax S3 sebagai platform ponsel pintar. Ini memiliki
diberikan oleh
banyak keunggulan termasuk sistem operasi Android yang andal, prosesor
dan perkiraan yang sesuai dengan. Di sini, adalah indeks panggung. .
komputasi yang kuat, ukuran memori yang besar, dan baterai berkapasitas besar. Ini
Kompensasi kebisingan dilakukan dengan menghilangkan D. 1 dan C 7 koefisien sinyal.
memiliki kemampuan untuk terhubung ke sensor melalui Bluetooth dan juga
Gbr. 2 menunjukkan performa ECG wavelet dalam menghilangkan derau.
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.
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.
(1)
TABEL I. EKGFITUR
SARANA INTETBEAT
Rata-rata NN50
PERBEDAAN
NEP Didefinisikan dalam persamaan (2)
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
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].
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.
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
ECG dan SpO2 dan dijelaskan oleh para ahli mengenai apnea dan kejadian Sensor Sudut fase 2
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.
576
kondisi apnea, karena dihitung sebagai rata-rata sepanjang waktu tidur sedangkan [1] Gugus Tugas American Academy of Sleep Medicine (AASM), "Gangguan pernapasan
terkait tidur pada orang dewasa: Rekomendasi untuk definisi sindrom dan teknik
apnea dapat terjadi dalam kelompok.
pengukuran dalam penelitian klinis," Sleep, vol.22, pp.667–689, 1999.J.Clerk Maxwell
Kami telah mengembangkan metode heuristik untuk memberikan akurasi , A Treatise on Electricity and Magnetism, edisi ke-3, vol. 2. Oxford: Clarendon, 1892,
hlm. 68-73.
indeks AHI yang lebih baik dengan menggabungkan hasil pengklasifikasi ECG
dan SpO2 dengan sinyal sensor napas. Hasil pengklasifikasian menunjukkan
[2] RK Kakkar dan RB Berry, "Pengobatan tekanan jalan napas positif untuk Apnea tidur
adanya kejadian apnea, maka dilakukan pengecekan kembali pembacaan sinyal obstruktif," Dada, vol. 132, hlm. 1057–1072, 2007.K. Elissa, “Judul makalah jika diketahui,”
nafas dan saturasi oksigen selama satu menit tersebut untuk melihat berapa kali tidak diterbitkan.
terjadi jeda nafas dengan saturasi oksigen kurang dari 4%. Ini memberikan [3] C. den Herder, J. Schmech, D. Appelboom, dan N. de Vries, “Resiko anestesi umum
hitungan apnea yang lebih akurat daripada penilaian waktu per menit. Kami juga pada orang dengan obstructive sleep Apnea,” Br. Med. J., (BMJ), vol. 329, hlm. 955–959,
mengamati bahwa sebagian besar kejadian apnea tidur ringan dan sedang terjadi 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.
selama tahap tidur Rapid Eye Movement (REM). Khususnya selama tidur REM,
Jepang, vol.
tonus otot tenggorokan dan leher, serta sebagian besar otot rangka, hampir 2, hlm. 740-741, Agustus 1987 [Digests 9th Annual Conf. Magnetics Japan, hal. 301,
seluruhnya bertingkat. Hal ini memungkinkan lidah dan langit-langit lunak untuk 1982].
rileks. Jadi dalam kasus apnea tidur, aliran udara terhalang sampai derajat mulai [4] C. Cortes dan V. Vapnik, "Mesin pendukung-vektor," Mach. Belajar, vol. 20, hlm.
dari dengkuran ringan sampai kolaps total [20]. Tapi, apnea tidur yang parah 273–297, 1995.
terjadi selama semua tahap tidur sepanjang malam. Distribusi kejadian apnea [5] N. Oliver dan F. Flores-Mangas, “HealthGear: Sistem yang dapat dikenakan waktu nyata untuk
untuk kasus ringan dan parah selama periode satu malam ditunjukkan pada memantau dan menganalisis sinyal fisiologis,” di Proc. IEEE Int. Jaringan Sensor Tubuh Implan
Yang Dapat Dipakai Workshop. (BSN), Apr.
Gambar. 9.
2006, hal. 4.
[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.
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.
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 [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:
lagi harus pergi ke lab tidur, dan dapat menjalani tes dalam kenyamanan
Komponen Sumber Daya Penelitian Baru untuk Sinyal Fisiologis Kompleks.
rumahnya. 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