К.С. Старченкова1, Л.А. Манило2

1,2 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» (Санкт-Петербург, Россия)
1 karinasmbatovna@gmail.com, 2 lmanilo@yandex.ru

Постановка проблемы. Апноэ сна является распространенным нарушением, которое вызывает повышенный риск смертности и влияет на качество жизни. Выявление случаев апноэ во сне имеет жизненно важное значение для своевременного лечения этого заболевания.

Цель. Разработка программного комплекса для автоматического обнаружения эпизодов синдрома обструктивного апноэ
во время сна.

Результаты. Представлен подход, основанный на исследовании мультифрактальных свойств сигнала электроэнцефалограммы (ЭЭГ) и используемый для обнаружения событий апноэ во сне. Результаты тестов, проведенных с использованием базы данных PhysioNet CAP Sleep database, свидетельствуют о хорошем качестве обнаружения апноэ сна на фоне других заболеваний. С помощью показателя Херста достигнуты чувствительность (90,00%) и специфичность (91,50%), методом мультифрактального детрендированного флуктуационного анализа (по ширине спектра) – чувствительность (90,00%) и специфичность (90,50%).

Практическая значимость. Применение системы распознавания эпизодов апноэ во сне обеспечивает своевременное выявление заболевания на ранней стадии и тем самым способствует повышению эффективности лечения данной патологии.

Старченкова К.С., Манило Л.А. Применение мультифрактального анализа для распознавания апноэ сна по электроэнцефалограмме // Биомедицинская радиоэлектроника. 2024. T. 27. № 5. С. 17−22. DOI: https://doi.org/10.18127/j15604136-202405-02

1. Горшков Ю.Г. Многоуровневый вейвлет-анализ звуков дыхания и храпа при выявлении синдрома обструктивного апноэ сна // Биомедицинская радиоэлектроника. 2016. № 7. С. 73–78.
2. Yıldız, Abdulnasır & Akin, Mehmet & Poyraz M. An expert system for automated recognition of patients with obstructive sleep apnea using electrocardiogram recordings. Expert Syst. Appl. 2011 38. 12880–12890. 10.1016/j.eswa.2011.04.080.
3. Al-Angari HM, Sahakian AV. Automated recognition of obstructive sleep apnea syndrome using support vector machine classifier. IEEE Trans InfTechnol Biomed. 2012 May; 16(3):463-8. doi: 10.1109/TITB.2012.2185809. Epub 2012 Jan 24. PMID: 22287247; PMCID: PMC4487628.
4. Terzano M.G., Parrino L., Sherieri A., Chervin R., Chokroverty S., Guilleminault C., Hirshkowitz M., Mahowald M., Moldofsky H., Rosa A., Thomas R., Walters A. Atlas, rules, and recording techniques for the scoring of cyclic alternating pattern (CAP) in human sleep. SleepMed 2001 Nov; 2(6):537–553.
5. Кириченко Л.О. Сравнительный мультифрактальный анализ временных рядов методами детрендированного флуктуа­ционного анализа и максимумов модулей вейвлет-преобразования / Всеукр. межвед. науч.-техн. сб. АСУ и приборы авто­матики. Х.: Изд-во ХНУРЭ. 2011. Вып. 157. C. 66–77.
6. Антипов О.И., Неганов В.А. Применение метода нормированного размаха Херста к анализу стохастических временных рядов в импульсных стабилизаторах напряжения // Физика волновых процессов и радиотехнические системы. 2009. Т. 12. № 3. С. 78–85.
7. Raimundo M, Okamoto J. Application of Hurst Exponent (H) and the R/S Analysis in the Classification of FOREX Securities. Int.
   J. Model. Optim 2018; 8: 116–124.
8. Gneiting T, Schlather M. Stochastic models that separate fractal dimension and the Hurst effect. SIAM review 2004; 46(2): 269–282.
9. Maureira F. El exponente de Hurst comoparámetro de análisis de señales de EEG paracomprender la cogniciónhumana: unarevisión. Revista de PsicologíaIztacala 2020; 23(4): 1573–1591.
10. Díaz H, Maureira F, Córdova F, Palominos F. Long-range linear correlation and nonlinear chaos estimation differentially characterizes functional conectivity and organization of the brain EEG. ProcediaComputerScience 2017; 122: 857–864.
11. Sánchez M, Segovia T, García J. Some comments on Hurst exponent and the long memory processes on capital markets. Physica A 2008; 387, 5543–5551.
12. Starchenkova K.S. and Manilo L.A. Multifractal Analysis of Heart Rate Variability for Arrhythmia Diagnostics. 2023 XXVI International Conference on Soft Computing and Measurements (SCM), Saint Petersburg, Russian Federation, 2023. Р. 308–311. doi: 10.1109/SCM58628.2023.10159079.
13. Тарасенко Ф.П. Введение в курс теории информации. Томск: ТГУ. 1963.
14. Kantelhardt J.W. Fractal and Multifractal Time Series. 2008.
15. Кубланов В.С., Борисов В.И., Долганов А.Ю. К88 Анализ биомедицинских сигналов в среде MATLAB: Учебное пособие. Екатеринбург: Изд-во Уральского ун-та. 2016. 120 с.
16. Старченкова К.С., Манило Л.А. Старший показатель Ляпунова и энтропии динамической системы в задаче распознавания апноэ сна по ЭЭГ // Биотехносфера. 2021. № 1. С. 53–57. DOI 10.25960/bts.2021.1.53; Starchenkova K.S., Manilo L.A. The senior Lyapunov exponent and the entropy of a dynamic system in the problem of recognizing sleep apnea by EEG. Biotechnosfera. 2021. № 1. Р. 53–57. DOI 10.25960/bts.2021.1.53
17. Smbatovna S.K., Alekseevna M.L. Recognition of Sleep Apnea by EEG Using Nonlinear Dynamics Methods / 2021 Ural Sympo­sium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), Yekaterinburg, Russia, 2021. Р. 0009–0011. doi: 10.1109/USBEREIT51232.2021.9455089.