Detecção da Apneia Obstrutiva do Sono Através da Variabilidade da Frequência Cardíaca
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1084Palavras-chave:
Diagnóstico, Frequência Cardíaca, Síndromes da Apneia do SonoResumo
A apneia obstrutiva do sono (AOS) é um problema respiratório que interfere na qualidade de vida do ser humano. A detecção da AOS pode ser feita de forma indireta através da análise da variabilidade da frequência cardíaca (VFC). Neste contexto, este trabalho investiga o emprego da VFC na detecção da AOS. Para isso, um conjunto de registros de ECG de uma base de indivíduos que sofrem de AOS foi utilizado no estudo. Primeiramente, são extraídas medidas estatísticas do VFC no domínio do tempo e da frequência de cada trecho de 5 minutos do sinal de ECG, que servem de características de entrada do classificador. Os seguintes classificadores foram implementados e comparados: rede neural (NN), k-vizinhos mais próximos (KNN) e máquina de vetor de suporte (SVM). Os resultados alcançados em termos de acurácia foram de 79,3% para NN, 80,9% para o KNN e 83,0% para SVM na detecção da AOS.
Referências
Young, T., Palta, M., Dempsey, J., Skatrud, J., Weber, S., Badr, S. The occurrence of sleep-disordered breathing among middle-aged adults. N Engl J Med. 1993 Apr 29;328(17):1230-5. doi: 10.1056/NEJM199304293281704. PMID: 8464434.
Partinen, M., Guilleminault, C. Daytime sleepiness and vascular morbidity at seven-year follow-up in obstructive sleep apnea patients. Chest. 1990 Jan;97(1):27- 32. doi: 10.1378/chest.97.1.27. PMID: 2295260.
Marieb, E. N.; Hoehn, K. Human Anatomy & Physiology. 9ª. ed. [S.l.]: Pearson, 2012.
Zwillich, C.W. Sleep apnoea and autonomic function. Thorax 1998; 53:S20-S24.
Redline, S., Sanders, M.H., Lind, B.K., Quan, S.F., Iber, C., Gottlieb, D.J., Bonekat, W.H., Rapoport, D.M., Smith, P.L., Kiley, J.P. Methods for obtaining and analyzing unattended polysomnography data for a multicenter study. Sleep Heart Health Research Group. Sleep. 1998 Nov 1;21(7):759-67. PMID: 11300121.
Guyton, A. C. e Hall, J. E. (2002). Tratado de Fisiologia Médica. Editora Guanabara Koogan SA, 10 edição.
Carvalho, J. L. A. (2003). Ferramenta para Análise Tempo-Freqüencial da Variabilidade da Freqüência Cardíaca. Dissertação de Mestrado, Publicação ENE.DM-156A/03, Departamento de Engenharia Elétrica, Universidade de Brasília, Brasília , DF, 99 p.
Bradley, T.D., Floras, J.S. Obstructive sleep apnoea and its cardiovascular consequences. Lancet. 2009 Jan 3;373(9657):82-93. doi: 10.1016/S0140- 6736(08)61622-0. Epub 2008 Dec 26. PMID: 19101028
Rondina, João Antonio de Santa Ritta e. Apneia obstrutiva do sono e sua influência no sistema nervoso. 2018. 46 f., il. Trabalho de Conclusão Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.
MATLAB. Version 9.10.0.1602886 (R2021a). Natick, Massachusetts: The MathWorks Inc.;2021
T Penzel, GB Moody, RG Mark, AL Goldberger, JH Peter. The Apnea-ECG Database. Computers in Cardiology 2000; 27:255-258
Li K., Pan W., Li Y., Jiang Q., Liu G. A method to detect sleep apnea based on deep neural network and hidden Markov model using single-lead ECG signal. Neurocomputing. 2018; 294:94–101. doi: 10.1016/j.neucom.2018.03.011.
Wang T, Lu C, Shen G. Detection of Sleep Apnea from Single-Lead ECG Signal Using a Time Window Artificial Neural Network. Biomed Res Int. 2019 Dec 23; 2019:9768072. doi: 10.1155/2019/9768072. PMID: 31950061; PMCID: PMC6948296.
Sharan RV, Berkovsky S, Xiong H, Coiera E. ECG-Derived Heart Rate Variability Interpolation and 1-D Convolutional Neural Networks for Detecting Sleep Apnea. Annu Int Conf IEEE Eng Med Biol Soc. 2020 Jul; 2020:637-640. doi: 10.1109/EMBC44109.2020.9175998. PMID: 33018068.
Niskanen JP, Tarvainen MP, Ranta-Aho PO, Karjalainen PA. Software for advanced HRV analysis. Comput Methods Programs Biomed. 2004; 76(1):73-81.
Vanderlei, Marques, L.C., Pastre, C.M., HoshI, R.A., Carvalho, T.D and Godoy, M.F. "Noções Básicas De Variabilidade Da Frequência Cardíaca E Sua Aplicabilidade Clínica." Revista Brasileira De Cirurgia Cardiovascular 24.2 (2009): 205- 17. Web.
Cortes C., Vapnik V. Support-vector networks. Mach. Learn. 1995; 20:273–297. doi: 10.1007/BF00994018.
Guo G., Wang H., Bell D., Bi Y., Greer K. Lecture Notes in Computer Science, Proceedings of the OTM Confederated International Conferences “On the Move to Meaningful Internet Systems”, Catania, Italy, 3–7 November 2003. Springer; Berlin/Heidelberg, Germany: 2003. KNN model-based approach in classification; pp. 986–996.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Jonatas de Lira Rocha, Evandro Ottoni Teatini Salles, Rodrigo Varejão Andreão
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
