An ECG oximetry system for identifying obstructive and central apnoea events

Abstract

An automatic algorithm for processing simultaneously acquired electrocardiogram (ECG) and oximetry signals that identifies epochs of pure central apnoea, epochs containing obstructive apnoea and epochs of normal breathing is presented. The algorithm uses time and spectral features from the ECG derived heart-rate and respiration information, as well as features capturing desaturations from the oximeter sensor. Evaluation of performance of the system was achieved by using leave-one-record-out cross validation on the St. Vincent's University Hospital / University College Dublin Sleep Apnea Database from the Physionet collections of recorded physiologic signals. When classifying the three epoch types, our system achieved a specificity of 80%, a sensitivity to central apnoea of 44% and sensitivity to obstructive apnoea of 35%. A sensitivity of 81% was achieved when the central and obstructive epochs were combined into one class.

Reconhecimento de Apneia através de Redes Neurais

“…Para a extração dos parâmetros, o sinal foi segmentado em intervalos de 60 segundos e foram extraídos os seguintes parâmetros: média, valor mínimo, número de SpO 2 < 92%, média da variação e a variação da saturação em relação a média do sinal [1]. Estes parâmetros são utilizados como dados de entrada para a Rede Neural.…”

“…Neste, o paciente passa a noite em uma clínica, conectado a uma série de eletrodos, o que gera uma grande quantidade de dados, muitas vezes repletos de ruídos [1,3]. Visto que a maioria dos dados coletados ainda passa apenas por análise visual de profissionais daárea da saúde, estes podem ser subutilizados, além de incorrer em maiores chances de erros de diagnóstico decorrente da subjetividade.…”

“…O uso do Oxímetro para estimar a saturação do oxigênio no sangue (SpO 2 ) seria uma alternativa para o reconhecimento automático da apneia [1,3,4]. A proposta deste estudó e verificar a precisão da classificação da apneia utilizando a SpO 2 do banco de dados UCDDB [12], que será apresentado na Seção 5.…”

“…Além disso, a sensibilidade média permaneceu acima dos 30% para todos os números de neurônios da camada escondida, N , chegando aoápice com 38, 63% para 15 neurônios. [1], os resultados da sensibilidade, em média, foram um pouco inferiores; entretanto, para a especificidade, foi possível obter um resultado melhor. Observa-se que a Rede Neural apresentou melhores resultados para a especificidade que a Função Discriminante Logística [1].…”

“…[1], os resultados da sensibilidade, em média, foram um pouco inferiores; entretanto, para a especificidade, foi possível obter um resultado melhor. Observa-se que a Rede Neural apresentou melhores resultados para a especificidade que a Função Discriminante Logística [1]. Já em comparação com [3], que utilizou outras características para a avaliação do sinal da saturação do oxigênio, há uma melhora significativa tanto em relação a sensibilidade, como a especificidade, cuja acurácia difere em pelo menos 29%.…”