Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος
Η αποφρακτική υπνική άπνοια (OSA), η οποία αποτελεί τον πιο συχνό τύπο άπνοιας, επιχειρείται να διαγνωστεί με την καταγραφή ακουστικών σημάτων των φυσιολογικών λειτουργιών του ανθρωπίνου σώματος κατά την διάρκεια του ύπνου. Αναλυτικότερα, OSA χαρακτηρίζεται κάθε διακοπή του αναπνευστικού κύκλου για...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2015
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/8916 |
| id |
nemertes-10889-8916 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αποφρακτική υπνική άπνοια Ανάλυση ανεξάρτητων συνιστωσών Μετασχηματισμός κυματιδίων Obstructive sleep apnea (OSA) Independent Component Analysis (ICA) Wavelets 616.209 075 |
| spellingShingle |
Αποφρακτική υπνική άπνοια Ανάλυση ανεξάρτητων συνιστωσών Μετασχηματισμός κυματιδίων Obstructive sleep apnea (OSA) Independent Component Analysis (ICA) Wavelets 616.209 075 Χάλκου, Χαρά Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| description |
Η αποφρακτική υπνική άπνοια (OSA), η οποία αποτελεί τον πιο συχνό τύπο άπνοιας, επιχειρείται να διαγνωστεί με την καταγραφή ακουστικών σημάτων των φυσιολογικών λειτουργιών του ανθρωπίνου σώματος κατά την διάρκεια του ύπνου. Αναλυτικότερα, OSA χαρακτηρίζεται κάθε διακοπή του αναπνευστικού κύκλου για διάρκεια μεγαλύτερη από 10 sec κατά την διάρκεια του ύπνου, με βασικό σύμπτωμα το νοσηρό ροχαλητό και σε μεγαλύτερο ποσοστό οι πάσχοντες είναι άντρες.
Η διάγνωση της προαναφερθείσας πάθησης δεν είναι εφικτή με μία απλή εξέταση και για αυτό το λόγο μεγάλα ποσοστά των ασθενών δεν τυγχάνουν διάγνωσης. Μελέτες έδειξαν ότι το 93% των γυναικών και το 82% των αντρών, οι οποίοι έπασχαν έστω και από την πιο απλή και συνήθη μορφή άπνοιας δεν έτυχαν διάγνωσης. Ο πιο σημαντικός λόγος, για αυτό, είναι ότι δεν υπάρχουν χαμηλού κόστους εργαλεία και συστήματα που να πραγματοποιούν την διάγνωση της πάθησης. Η διάγνωση, σύμφωνα με την στη βιβλιογραφία, γίνεται με την πολύτροπη μελέτη ύπνου (Polysomnography (PSG)). Αρχικά, αναπτύχθηκε από τον Nathaniel Kleitman στο Πανεπιστήμιο του Σικάγο το 1950, και περιλαμβάνει την καταγραφή πολλαπλών μετρήσεων της φυσιολογίας ασθενούς, όπως αναπνοή και καρδιακοί παλμοί, που υπόκειται στην εξέταση. Η διαδικασία αυτή γίνεται κατά τη διάρκεια όλης της νύχτας ενώ αυτός ο συνδυασμός των δεδομένων οδηγεί σε συμπεράσματα που χρησιμοποιούνται στη διάγνωση των γεγονότων άπνοιας.
Η καταγραφή των ακουστικών σημάτων, όπως αναπνοή και καρδιακοί παλμοί, κατά την διάρκεια του ύπνου είναι ιδιαίτερα χρονοβόρα, καθώς είναι αναγκαία η καταγραφή αυτών των σημάτων σε μεγάλο χρονικό διάστημα διαδοχικών ημερών κι αρκετά δαπανηρές, αφού απαιτείται πολυήμερη παραμονή σε νοσοκομείο ή κλινική ύπνου.
Με την ανάπτυξη αισθητήρων σώματος, οι οποίοι είναι ιδιαίτερα ευαίσθητοι και καταγράφουν όλα τα ακουστικά σήματα κατά την διάρκεια του ύπνου, ίσως μπορέσουν να λύσουν τα προβλήματα αυτά. Βασικό πλεονέκτημα είναι ότι αυτή η διαδικασία δεν απαιτεί μετακίνηση από το οικείο περιβάλλον του ασθενή και δεν είναι επεμβατική.
Οι πιεζοκρύσταλλοι κατά την διάρκεια του ύπνου χρησιμοποιούνται για την καταγραφή όλων των ακουστικών σημάτων, δηλαδή καρδιακοί παλμοί, αναπνοή, ροχαλητό, κινήσεις του εντέρου, αλλά εκτός από αυτά καταγράφουν και τoν παραμικρό ήχο που μπορεί να κάνει κάποιος την ώρα που κοιμάται, για παράδειγμα ήχοι, οι οποίοι μπορούν να παραχθούν κατά την αλλαγή στάσης του σώματος κατά την διάρκεια του ύπνου.
Πρόδηλη είναι η αναγκαιότητα της επεξεργασίας αυτών των σημάτων προκειμένου να αναλυθούν, να απομονωθούν και να απαλλαγούν από τυχόν θόρυβο τα σήματα, τα οποία μας ενδιαφέρουν. Με άμεση συνέπεια να γίνεται επιτακτική ανάγκη η ανάπτυξη μαθηματικών μοντέλων και σύνθετων αλγορίθμων προκειμένου να αναπτυχθούν νέες τεχνικές επεξεργασίας σήματος.
Αφού συγκεντρωθούν τα βιοσήματα είναι αναγκαία μία προεπεξεργασία αυτών πριν αναλυθούν. Αρχικά, πρέπει στα σήματα αυτά να εφαρμοστούν κατάλληλα φίλτρα με δεδομένο ότι οι συχνότητες της αναπνοής είναι χαμηλές ενώ της καρδίας υψηλές. Στην παρούσα διπλωματική εργασία γίνεται χρήση του διακριτού μετασχηματισμού κυμματιδίων για να απομονωθούν τα σήματα χαμηλών συχνοτήτων (προσεγγίσεις) από των υψηλών(λεπτομέρειες). Στη συνέχεια, γίνεται χρήση της μεθόδου Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA), η οποία θέτει τον περιορισμό των στατιστικώς ανεξάρτητων πηγών και του αλγορίθμου FastICA προκειμένου να εντοπιστούν οι πηγές των σημάτων.
Στόχος είναι να παραχθεί το σήμα της αναπνοής και του ροχαλητού του εκάστοτε ασθενή.
Σκοπός της διπλωματικής μου εργασίας είναι η εφαρμογή αυτών των μαθηματικών μοντέλων και αλγορίθμων προκειμένου να επιτευχθεί ο κατά το δυνατόν καλύτερος διαχωρισμός των ακουστικών βιοσημάτων. Η υλοποίηση έχει πραγματοποιηθεί σε Matlab. |
| author2 |
Σγάρμπας, Κυριάκος |
| author_facet |
Σγάρμπας, Κυριάκος Χάλκου, Χαρά |
| format |
Thesis |
| author |
Χάλκου, Χαρά |
| author_sort |
Χάλκου, Χαρά |
| title |
Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| title_short |
Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| title_full |
Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| title_fullStr |
Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| title_full_unstemmed |
Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| title_sort |
διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος |
| publishDate |
2015 |
| url |
http://hdl.handle.net/10889/8916 |
| work_keys_str_mv |
AT chalkouchara diachōrismosakoustikōnbiosēmatōnmemethodousstatistikēsepexergasiassēmatos |
| _version_ |
1771297298433703936 |
| spelling |
nemertes-10889-89162022-09-05T20:26:29Z Διαχωρισμός ακουστικών βιοσημάτων με μεθόδους στατιστικής επεξεργασίας σήματος Χάλκου, Χαρά Σγάρμπας, Κυριάκος Δερματάς, Ευάγγελος Κωστόπουλος, Γεώργιος Chalkou, Chara Αποφρακτική υπνική άπνοια Ανάλυση ανεξάρτητων συνιστωσών Μετασχηματισμός κυματιδίων Obstructive sleep apnea (OSA) Independent Component Analysis (ICA) Wavelets 616.209 075 Η αποφρακτική υπνική άπνοια (OSA), η οποία αποτελεί τον πιο συχνό τύπο άπνοιας, επιχειρείται να διαγνωστεί με την καταγραφή ακουστικών σημάτων των φυσιολογικών λειτουργιών του ανθρωπίνου σώματος κατά την διάρκεια του ύπνου. Αναλυτικότερα, OSA χαρακτηρίζεται κάθε διακοπή του αναπνευστικού κύκλου για διάρκεια μεγαλύτερη από 10 sec κατά την διάρκεια του ύπνου, με βασικό σύμπτωμα το νοσηρό ροχαλητό και σε μεγαλύτερο ποσοστό οι πάσχοντες είναι άντρες. Η διάγνωση της προαναφερθείσας πάθησης δεν είναι εφικτή με μία απλή εξέταση και για αυτό το λόγο μεγάλα ποσοστά των ασθενών δεν τυγχάνουν διάγνωσης. Μελέτες έδειξαν ότι το 93% των γυναικών και το 82% των αντρών, οι οποίοι έπασχαν έστω και από την πιο απλή και συνήθη μορφή άπνοιας δεν έτυχαν διάγνωσης. Ο πιο σημαντικός λόγος, για αυτό, είναι ότι δεν υπάρχουν χαμηλού κόστους εργαλεία και συστήματα που να πραγματοποιούν την διάγνωση της πάθησης. Η διάγνωση, σύμφωνα με την στη βιβλιογραφία, γίνεται με την πολύτροπη μελέτη ύπνου (Polysomnography (PSG)). Αρχικά, αναπτύχθηκε από τον Nathaniel Kleitman στο Πανεπιστήμιο του Σικάγο το 1950, και περιλαμβάνει την καταγραφή πολλαπλών μετρήσεων της φυσιολογίας ασθενούς, όπως αναπνοή και καρδιακοί παλμοί, που υπόκειται στην εξέταση. Η διαδικασία αυτή γίνεται κατά τη διάρκεια όλης της νύχτας ενώ αυτός ο συνδυασμός των δεδομένων οδηγεί σε συμπεράσματα που χρησιμοποιούνται στη διάγνωση των γεγονότων άπνοιας. Η καταγραφή των ακουστικών σημάτων, όπως αναπνοή και καρδιακοί παλμοί, κατά την διάρκεια του ύπνου είναι ιδιαίτερα χρονοβόρα, καθώς είναι αναγκαία η καταγραφή αυτών των σημάτων σε μεγάλο χρονικό διάστημα διαδοχικών ημερών κι αρκετά δαπανηρές, αφού απαιτείται πολυήμερη παραμονή σε νοσοκομείο ή κλινική ύπνου. Με την ανάπτυξη αισθητήρων σώματος, οι οποίοι είναι ιδιαίτερα ευαίσθητοι και καταγράφουν όλα τα ακουστικά σήματα κατά την διάρκεια του ύπνου, ίσως μπορέσουν να λύσουν τα προβλήματα αυτά. Βασικό πλεονέκτημα είναι ότι αυτή η διαδικασία δεν απαιτεί μετακίνηση από το οικείο περιβάλλον του ασθενή και δεν είναι επεμβατική. Οι πιεζοκρύσταλλοι κατά την διάρκεια του ύπνου χρησιμοποιούνται για την καταγραφή όλων των ακουστικών σημάτων, δηλαδή καρδιακοί παλμοί, αναπνοή, ροχαλητό, κινήσεις του εντέρου, αλλά εκτός από αυτά καταγράφουν και τoν παραμικρό ήχο που μπορεί να κάνει κάποιος την ώρα που κοιμάται, για παράδειγμα ήχοι, οι οποίοι μπορούν να παραχθούν κατά την αλλαγή στάσης του σώματος κατά την διάρκεια του ύπνου. Πρόδηλη είναι η αναγκαιότητα της επεξεργασίας αυτών των σημάτων προκειμένου να αναλυθούν, να απομονωθούν και να απαλλαγούν από τυχόν θόρυβο τα σήματα, τα οποία μας ενδιαφέρουν. Με άμεση συνέπεια να γίνεται επιτακτική ανάγκη η ανάπτυξη μαθηματικών μοντέλων και σύνθετων αλγορίθμων προκειμένου να αναπτυχθούν νέες τεχνικές επεξεργασίας σήματος. Αφού συγκεντρωθούν τα βιοσήματα είναι αναγκαία μία προεπεξεργασία αυτών πριν αναλυθούν. Αρχικά, πρέπει στα σήματα αυτά να εφαρμοστούν κατάλληλα φίλτρα με δεδομένο ότι οι συχνότητες της αναπνοής είναι χαμηλές ενώ της καρδίας υψηλές. Στην παρούσα διπλωματική εργασία γίνεται χρήση του διακριτού μετασχηματισμού κυμματιδίων για να απομονωθούν τα σήματα χαμηλών συχνοτήτων (προσεγγίσεις) από των υψηλών(λεπτομέρειες). Στη συνέχεια, γίνεται χρήση της μεθόδου Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA), η οποία θέτει τον περιορισμό των στατιστικώς ανεξάρτητων πηγών και του αλγορίθμου FastICA προκειμένου να εντοπιστούν οι πηγές των σημάτων. Στόχος είναι να παραχθεί το σήμα της αναπνοής και του ροχαλητού του εκάστοτε ασθενή. Σκοπός της διπλωματικής μου εργασίας είναι η εφαρμογή αυτών των μαθηματικών μοντέλων και αλγορίθμων προκειμένου να επιτευχθεί ο κατά το δυνατόν καλύτερος διαχωρισμός των ακουστικών βιοσημάτων. Η υλοποίηση έχει πραγματοποιηθεί σε Matlab. Obstructive sleep apnea (OSA), which is the most common type of apnea is diagnosed by attempting to record audio signals of physiological functions of the human body during sleep. Specifically, as OSA is characterized any interruption of the respiratory cycle for time intervals longer than 10 sec during sleep, the main symptom is the unhealthy snoring while the biggest percentage of sufferers are men. The diagnosis of the above illness is not possible with a simple examination and for this reason a large percentage of patients do not receive a diagnosis. Studies have shown that 93% of women and 82% of men who were suffering from even the most simple and common form of apnea were not diagnosed. The most important reason for this is that there are no low-cost tools and systems capable of making the diagnosis of the disease. The diagnosis according to the literature, can be done using the polysomnographic sleep study (Polysomnography (PSG)). This method was firstly developed by Nathaniel Kleitman at the University of Chicago in 1950, and includes the recording of multiple physiological measurements of the patient, such as breathing and heart rate, which is subject to examination. This procedure is performed during the whole night while this combination of data leads to conclusions that are used in the diagnosis of sleep apnea events. The recording of audio signals, such as breathing and heart rate during sleep is rather time consuming, since it is necessary to record these signals over a long period of consecutive days and quite costly, because it requires an extended stay in a hospital or sleep clinic. However, with the development of body sensors, which are highly sensitive and can record all audio signals during sleep, these problems may be solved. A key advantage is that this procedure does not require removal of the familiar environment of the patient and is non invasive. Piezoelectric sensors can be used during sleep in order to record all the audio signals, namely heart rate, breathing, snoring, bowel movements. But excluding these, they may record even the slightest sound someone can make while sleeping, for example sounds that could be produced by changing posture during sleep. Thus, the necessity of processing these signals is obvious, in order to analyze, isolate and get rid of any noise signals, which are of interest. Consequently, it is important to develop mathematical models and complex algorithms to develop new signal processing techniques. After collecting the necessary biosignals, a preprocessing procedure prior to the analysis is necessary. Initially, appropriate filters must be applied given that the frequencies of respiration are low while the heart frequencies are high. In this thesis, the discrete wavelet transformation (DWT) is used in order to isolate the low-frequency signals (approaches) from the high ones (details). Then, the Independent Component Analysis (ICA) method is used, which sets the limit of statistically independent sources and the FastICA algorithm to identify the sources of signals. The aim is to identify the signal of breathing and snoring of each patient. The objective of my thesis is the application of these mathematical models and algorithms to achieve the best possible separation of acoustic biosignals. The implementation have been done in Matlab. 2015-11-09T09:16:36Z 2015-11-09T09:16:36Z 2014-06-30 Thesis http://hdl.handle.net/10889/8916 gr 12 application/pdf |
