Determination of Signs of Sleep Apnea Using Machine Learning Methods in Combination with Reducing the Dimensionality of Heart Rate Variability Features

dc.contributor.authorSamsonenko, A. S.
dc.contributor.authorPopov, A. O.
dc.date.accessioned2024-11-28T10:27:08Z
dc.date.available2024-11-28T10:27:08Z
dc.date.issued2024
dc.description.abstractObstructive Sleep Apnea Syndrome (OSAS) is a clinically significant disorder characterized by recurrent episodes of upper airway obstruction, manifesting as either apnea or hypopnea, predominantly occurring at the pharyngeal level. Despite the preservation of respiratory muscle function during these episodes, OSAS poses considerable health risks, including cardiovascular complications and cognitive impairment. In recent years, a growing body of literature has explored novel methodologies to discern and diagnose OSAS, with a particular focus on cardiac activity analysis through Heart Rate Variability (HRV). This study contributes to the existing literature by conducting a comprehensive HRV analysis aimed at identifying indicative patterns of sleep apnea. The analysis incorporates diverse parameters within both time and frequency domains, facilitating a nuanced understanding of the complex interplay between cardiac dynamics and respiratory disruptions during sleep. In an effort to enhance the interpretability of the data, various scaling and dimensionality reduction techniques, such as Principal Component Analysis (PCA), t-distributed Stochastic Neighbor Embedding (t-SNE), and Uniform Manifold Approximation and Projection (UMAP), were applied. The dataset utilized in this investigation comprises records from 70 patients, sourced from the Apnea-ECG Database on the Physionet platform. To discern the optimal classification model, several machine learning algorithms were employed after the dimensionality reduction, including k-Nearest Neighbors (k-NN), logistic regression, Support Vector Machine (SVM), Decision Tree, Random Forest, and Gradient Boosting. Intriguingly, the results demonstrate a remarkable 100% accuracy across all classifiers when utilizing the UMAP dimensionality reduction method. A distinctive feature of the proposed methodology lies in its amalgamation of machine learning techniques with HRV parameters post-dimensionality reduction. This approach not only enhances the interpretability of the complex physiological data but also underscores the potential applicability of the developed model in real-world scenarios for the detection of OSAS. The robustness of the proposed approach, as evidenced by its high accuracy rates, positions it as a promising tool for advancing diagnostic capabilities in the realm of sleep medicine. Future research endeavors may further refine and validate this methodology, paving the way for its integration into clinical practice and contributing to the broader landscape of sleep disorder diagnostics.
dc.description.abstractotherСиндром обструктивного апное під час сну (СОАС) є хворобою, що виникає внаслідок повторюваних епізодів зупинки верхніх дихальних шляхів (апное) або їх стиснення (гіпопное), які виникають на рівні фарингею, з збереженою функцією дихальних м'язів. Останнім часом більше уваги приділяється дослідженням того, як ідентифікувати апное за аналізу серцевої діяльності на основі варіабельності серцевого ритму (ВРС). У цій роботі аналіз ВРС для виявлення ознак апное виконується за допомогою різних типів параметрів у часовому і частотному доменах. Застосовано кілька методів шкалювання та зменшення розмірності, таких як аналіз головних компонент, t-розподілене вкладення стохастичної близькості і рівномірну апроксимацію та проекцію різноманіття. Після цього було навчено низку класифікаторів: k-найближчих сусідів, логістичну регресію, машини опорних векторів, дерево рішень, випадковий ліс і градієнтне підсилення. З використанням даних від 70 пацієнтів з бази даних Apnea-ECG (платформа Physionet) досягнута точність 100% в усіх класифікаторах і методі зменшення розмірності на основі рівномірної апроксимації та проекції різноманіття. Особливістю запропонованого підходу є застосування машинного навчання до параметрів ВРС після зменшення їх розмірності, що може бути використано в реальних умовах для виявлення СОАС.
dc.format.pagerangeС. 297387.1-7
dc.identifier.citationSamsonenko, A. S. Determination of Signs of Sleep Apnea Using Machine Learning Methods in Combination with Reducing the Dimensionality of Heart Rate Variability Features / A. S. Samsonenko, A. O. Popov // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2024. – Т. 29, № 1(126). – С. 297387.1-7. – Бібліогр.: 11 назв.
dc.identifier.doihttps://doi.org/10.20535/2523-4455.mea.297387
dc.identifier.orcid0009-0006-3437-5144
dc.identifier.orcid0000-0002-1194-4424
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70875
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2024, Т. 29, № 1(126)
dc.subjectapnoe
dc.subjectmachine learning
dc.subjectclassification
dc.subjectdimensionality reduction
dc.subjectfeatures
dc.subjectbiosignals
dc.subjectапное
dc.subjectмашинне навчання
dc.subjectкласифікація
dc.subjectзменшення розмірності
dc.subjectознаки
dc.subjectбіосигнали
dc.subject.udc621.38
dc.titleDetermination of Signs of Sleep Apnea Using Machine Learning Methods in Combination with Reducing the Dimensionality of Heart Rate Variability Features
dc.title.alternativeВизначення ознак апное сну за допомогою методів машинного навчання в поєднанні зі зменшенням розмірності ознак варіабельності серцевого ритму
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
297387.1-7.pdf
Розмір:
1.96 MB
Формат:
Adobe Portable Document Format
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис: