Projekty

Działalność naukowa

Zastosowanie sztucznych sieci neuronowych do analizy wyników badania polisomnograficznego i wspomagania procesu diagnostycznego zaburzeń oddychania podczas snu

Opublikowano: 20 grudzień 2018

Wykonawcy projektu: Renata Ferduła, Martyna Michałowska, Jakub Grabski, Tomasz Walczak, Szczepan Cofta

WSTĘP

Sen jest ważną częścią życia człowieka i każde zaburzenie snu odbija się na wszystkich innych aspektach życia. Stąd tak ważne jest szybkie diagnozowanie schorzeń z nim związanych. Jednym z nich jest Zespół Obturacyjnego Bezdechu Sennego (OBS). OBS jest poważną i coraz częściej rozpoznawaną chorobą w dzisiejszym społeczeństwie. Według danych z 2015 roku zespół bezdechu sennego dotyczy 2 – 15% dorosłych i ponad 20% starszych ludzi [3]. Rosnący odsetek ludzi otyłych w społeczeństwie i stresujący tryb życia powodują, że liczba chorych wciąż rośnie.

Złotym standardem diagnostyki OBS zalecanym przez American Academy of Sleep Medicine (AASM) jest polisomnografia. Jednak badanie to jest drogie, a jego wykonanie i analiza czasochłonne. Jednocześnie w Pracowniach Snu pojawia się coraz więcej osób z podejrzeniem OBS i czas oczekiwania na badanie jest coraz dłuższy, dochodzący nawet do kilku lat. Istotnym jest fakt, że OBS jest jedynym zaburzeniem snu, które niezdiagnozowane na czas, może skończyć się śmiercią.

Istnieją na rynku urządzenia do domowej diagnostyki OBS. Są tańsze niż polisomnograf, a pacjent może samodzielnie w domu wykonywać badanie (nawet przez kilka dni) eliminując w ten sposób wpływ nowego miejsca i stresu związanego z dużą liczbą czujników na jakość snu. Urządzenia te nie są jednak zalecane przez AASM, gdyż istnieje większe ryzyko błędnej interpretacji wyników z powodu mniejszej liczby kanałów. Kluczowym jest też fakt, że urządzenia te nie monitorują fal mózgowych, więc nie jest możliwym rozpoznawanie czy badany śpi, ani jaką część jego snu stanowi sen głęboki.

Celem pracy było więc opracowania łatwiejszej, tańszej i szybszej metody diagnozowania OBS, pozwalającej na monitorowanie nie tylko bezdechów i spłyceń oddychania, ale też snu. Zaproponowana metoda opiera się na przewidywaniu stanu pacjenta podczas snu z wykorzystaniem wyłącznie pulsu i saturacji krwi tlenem. Wykorzystano w tym celu Algorytm Sztucznych Sieci Neuronowych (SSN) do przewidywania szeregów czasowych. Takie właśnie sieci neuronowe zastosowano do detekcji bezdechów i spłyceń oddychania oraz różnicowania czuwania i snu oraz snu głębokiego w celu wsparcia diagnozowania OBS.

METODYKA BADAŃ I OPRACOWANE PARAMETRY

W badaniu wzięło udział ośmiu pacjentów Szpitala im. Przemienienia Pańskiego w Poznaniu. Pacjenci mieli typowe objawy OBS. U każdego z nich przeprowadzono polisomnografię, z której dane posłużyły do dalszej analizy. Kluczowe z punkty widzenia tego badania dane z czujników (puls, saturacja krwi tlenem, zaznaczone przez technika fazy snu, bezdechy, spłycenia i desaturacje) wyeksportowano jako pliki tekstowe w celu dalszego przetwarzania za pomocą programu MATLAB. Po ujednoliceniu danych i przygotowaniu ich jako danych wejściowych dla sieci neuronowych sprawdzono, jak sieci poradzą sobie z rozpoznawaniem bezdechów i spłyceń oddychania oraz różnicowaniem snu i czuwania oraz snu głębokiego na podstawie pulsu i saturacji. Do przeprowadzenia procesu identyfikacji snu i bezdechów postanowiono wykorzystać nieliniową autoregresyjną sztuczną sieć neuronową z zewnętrznym wejściem (ang. Nonlinear Auto-regressive Artificial Neural Network with External Input). Ten typ sieci pozwala na przewidywanie wyjścia na podstawie aktualnej próbki wejściowej (puls i saturacja krwi tlenem – x(t)), d przeszłych wartości wejściowych (puls i saturacja – x(t-1); …; x(t-d)) i d przeszłych wartości wyjściowych (y(t-1); …; y(t-d)), gdzie d – liczba przeszłych próbek wejściowych i wyjściowych (d = 10). Taka architektura została wybrana, ponieważ w tego typu sygnałach wyjście jest zależne nie tylko od aktualnej wartości wejścia, ale też od poprzednich próbek. Liczba neuronów w warstwie ukrytej była zmienna dla różnych przypadków (od 3 do 5 neuronów). Wybór liczby neuronów w warstwie ukrytej uzależniono od wyniku analizy porównawczej błędów podczas uczenia, walidacji i testu (jeśli błędy znacząco się różniły to zmieniano liczbę neuronów w warstwie ukrytej).

UZYSKANE WYNIKI

Podczas badania za każdym razem zbierano dane siedmiu pacjentów do jednej macierzy jako dane uczące, a poprawność działania sieci sprawdzano na danych ósmego pacjenta, przy czym testowanym pacjentem za każdym razem był inny z ośmiu poddanych badaniu. Wyniki działania sieci poddano binaryzacji, obliczono liczbę próbek, w których sieć dokonała błędnego rozpoznania (liczba błędów) i doniesiono tę wartość do liczby wszystkich próbek (błąd względny). Następnie porównano czas trwania snu, liczbę bezdechów, AHI oraz czas snu głębokiego obliczone na podstawie wyników działania sieci oraz danych dostarczonych przez technika. Wyniki analizy przedstawiono w tabeli 1, a przykładowe przebiegi zmian na rysunku 1, 2 i 3. Jako można zaobserwować, sieć popełnia błąd tylko podczas zmiany stanu.

Na koniec podsumowano wszystkie istotne parametry dla każdego z pacjentów biorąc pod uwagę ich potencjalną chorobę. Wyniki zestawiono w tabeli 2. Na tej podstawie dokonano oceny stopnia ciężkości OBS (kryteria oceny przedstawiono w rozdziale 1.2), gdzie C oznacza ciężką postać OBS, U – umiarkowaną, Ł – łagodną. W ocenie nie uwzględniono badania fizykalnego pacjentów oraz wywiadu lekarskiego. Jak można zauważyć, nie w każdym przypadku diagnozy na podstawie wszystkich trzech przesłanek są takie same. Gdyby brano od uwagę tylko AHI, to pacjent 4 otrzymałby diagnozę umiar-kowane bezdechu sennego, mimo że przez 95% czasu snu utlenowanie jego krwi było poniżej 90%. Bardzo ciekawym przypadkiem jest pacjent 7. Podczas nocy wystąpiły tylko 2 bezdechy. Jest to wartość normalna, zdarzająca się osobom zdrowym. Gdyby więc brano pod uwagę tylko AHI – pacjent wróciłby do domu z informacją, że jest zdrowy. Na uwagę zasługuje jednak bardzo krótki czas snu głębokiego – zaledwie 3% całego snu. Trudno ocenić, czy pacjent tak często wybudza się z powodu wzmożonego wysiłku oddechowego, choć nie występuje wyraźne zmniejszenie przepływu powietrza u wylotu górnych dróg oddechowych, czy też pacjent był zestresowany nowym miejscem i dużą liczbą czujników i dlatego jego sen był płytki. W przypadku tego pacjenta z pewnością należy powtórzyć badanie. Rozwiązaniem mogłaby być diagnostyka domowa. We własnym łóżku pacjent z pewnością czułby się lepiej, a aparatu mógłby używać przez kilka nocy z rzędu, aby możliwa była prawidłowa ocena jego stanu zdrowia.

Rys. 1. Wykres snu i czuwania: na niebiesko zaznaczono przebieg zmian snu i czuwania określone przez technika (0 – czuwanie, 1 – sen), czerwonymi kółkami oznaczono miejsca błędów rozpoznawania przez sieć snu i czuwania

Rys. 2. Wykres snu głębokiego: na niebiesko zaznaczono przebieg zmian snu głębokiego oraz snu płytkiego i czuwania określone przez technika (0 – czuwanie lub sen płytki, 1 – sen głęboki), czerwonymi kółkami oznaczono miejsca błędów rozpoznawania przez sieć snu głębokiego

 Rys. 3. Wykres zaburzeń oddychania: na niebiesko zaznaczono przebieg zmian zaburzeń oddychania określonych przez technika (0 – normalne oddychanie, 1 – bezdech lub spłycenie), czerwonymi kółkami oznaczono miejsca błędów rozpoznawania przez sieć zdarzeń oddechowych

 Tab. 1. Wyniki działania sztucznych sieci neuronowych

Tab. 2. Podsumowanie istotnych parametrów dla każdego z pacjentów biorąc pod uwagę ich potencjalną chorobę

(Ł – łagodny OBS, U – umiarkowany OBS, C – ciężki OBS, brak – na podstawie AHI stwierdzono brak OBS)

Przeprowadzone badania wskazują na kolejny obszar, gdzie sztuczne sieci neuronowe mogą być z powodzeniem stosowane. Opisana metoda diagnozy OBS mogłaby zostać wprowadzona do użytku po stworzeniu dużej bazy już zdiagnozowanych pacjentów i nauczeniu na ich podstawie sieci. Zaprezentowaną metodę diagnostyczną można by też poszerzyć o detekcję pozycji ciała, gdyż w przypadku wielu pacjentów liczba bezdechów jest od niej zależna. Dobrym rozwiązaniem byłoby też dodanie wysiłku oddechowego, aby umożliwić różnicowanie bezdechu obturacyjnego, centralnego i mieszanego.