Resumen

El síndrome de apnea-hipopnea obstructiva del sueño (SAHOS) es extremadamente perjudicial para el cuerpo humano y puede causar disfunción neurológica y disfunción endocrina, lo que provoca daños en múltiples órganos y múltiples sistemas de todo el cuerpo y afecta negativamente a los sistemas cardiovascular, renal y mental. Clínicamente, los médicos suelen utilizar la PSG (polisomnografía) estándar para ayudar al diagnóstico. La PSG determina si una persona padece el síndrome de apnea con datos multidimensionales como las ondas cerebrales, la frecuencia cardiaca y la saturación de oxígeno en sangre. En este trabajo, hemos presentado un método de reconocimiento del SAHS, que resulta cómodo para que los pacientes se monitoricen a sí mismos en la vida diaria y así evitar retrasos en el tratamiento. En primer lugar, analizamos teóricamente la diferencia entre los ronquidos de las personas normales y los de los pacientes con SAHS en los dominios del tiempo y la frecuencia. En segundo lugar, los sonidos de ronquidos relacionados con eventos de apnea y los sonidos de ronquidos no relacionados con apnea se clasificaron mediante aprendizaje profundo y, a continuación, se reconoció la gravedad de los síntomas del SAHS. En el algoritmo propuesto en este artículo, las características de los datos de ronquidos se extraen mediante tres métodos de extracción de características: MFCC, LPCC y LPMFCC. Además, adoptamos CNN y LSTM para la clasificación. Los resultados experimentales muestran que el método de extracción de características MFCC y el modelo LSTM tienen la tasa de precisión más alta, que fue del 87% cuando se adoptó para la clasificación binaria de datos de ronquidos. Además, el algoritmo permite obtener el valor AHI del paciente y determinar el grado de gravedad del SAHS.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:OSAHS, sonidos, método de extracción de características MFCC, saturación de oxígeno en sangre, métodos de extracción de características, mayor índice de precisión, clasificación, artículo, valor AHI, modelo LSTM
• Keywords:OSAHS, sounds, MFCC feature extraction method, blood oxygen saturation, feature extraction methods, highest accuracy rate, classification, paper, AHI value, LSTM model