Analysis and detection of obstructive apnea in individual breath cycles

Vaxandi samstaða vísindamanna á sviði svefnrannsókna er að kæfisvefn sé röskun sem hrjáir stóran hluta fólks. Kæfisvefn veldur fjölda neikvæðra heilsufarslegra áhrifa, þar á meðal einkenna eins og mikla syfju yfir daginn. Til að greina kæfisvefn eru sjúklingar settir í svefnrannsókn. Svefnmerkjafræðingur fer þá handvirkt yfir upptökuna og setur inn merkingar eftir settum stöðlum. Þær merkingar sem eru gerðar eru að lokum notaðar til að ákvarða alvarleika kæfisvefnsins sem hrjáir sjúklingurinn. Þessi ritgerð kynnir aðferð til sjálfvirkrar flokkunar á kæfisvefni í einstökum andardráttum. Aðferðin nýtir aðeins 3 merki sem ekki eru ífarandi í mælingu og er almennt safnað í svefnrannsókn. Þessu er náð með því að merkja fyrst einstaka andardrætti og þar á eftir þjálfa ýmis sjálfvirk vélanáms módel til að skipta andardráttum í flokka eftir kæfisvefni. Kynnt er nýtt reiknirit til að greina andardrætti og árangur þess metinn. Reikniritið nær 0.94 F1 stigi þegar greindur er andardráttur sem gefur til kynna framúrskarandi greiningartíðni. Með því að nota andardráttinn sem greindur er með reikniritinu eru ýmis tölugildi sem lýsa andardrætti skilgreind og metin, með það að markmiði að ákvarða hæfi þeirra til að aðgreina andardrætti sem gerast í kæfisvefni. Að lokum eru tölugildin notuð til að þjálfa sjálfvirk módel í að greina andardrætti, annars vegar sem kæfisvefn eða ekki. Mest nákvæmni náðist með HMM módeli sem gat greint andardrætti með 95% nákvæmni.

Author dc:creator

• Benedikt Hólm Þórðarson 1993-

Contributors dc:contributor

• Háskólinn í Reykjavík

• Tölvunarfræði
• Meistaraprófsritgerðir
• Reiknirit
• Svefnrannsóknir
• Kæfisvefn
• Computer science
• Computer algorithms
• Sleep apnea syndromes
• Research

Language dc:language.iso

en

Handle dc:identifier.uri

http://hdl.handle.net/1946/39409

OAI identifier oai:identifier

oai:skemman.is:1946/39409