معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام

روش‌های هوشمند در صنعت برق

مقاله 7، دوره 7، شماره 26، مرداد 1395، صفحه 53-63   

نوع مقاله: مقاله پژوهشی

نویسندگان

محسن کاظمی^{* 1}؛ آیک هوتو²

¹استادیار - دانشکده مهندسی برق، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ایران

²دانشیار - رییس بخش اورژانس بیمارستان پولای پننگ، شهر پننگ، مالزی

چکیده

در این مقاله یک نمایه جدید به منظور تشخیص خودکار شدت بیماری آصم با استفاده از پردازش سیگنالهای کپنوگرام ارائه شده است. تحقیقات انجام گرفته در گذشته نشان دهنده ارتباط مهمی بین کپنوگرام و بیماری آصم بوده است .هرچند، اغلب آن تحقیقات از روشهای پردازشی حوزه زمان اسفاده کرده بوده و بر این فرضیه استوار بودند که کپنوگرام یک سیگنال ایستان است. در این تحقیق با استفاده از ضرائب پیش بینی خطی (LPC) و روش مدلینگ اتورگرسیو (AR Modelling-Burg Method) سیگنالهای کپنوگرام مورد پردازش قرار گرفته‌اند. با استفاده از نتایج حاصل از این پردازش، تعداد شش ویژگی استخراج شده اند که با استفاده از روشهای آماری مانند ROC, توانایی‌های آنها برای تمایز بیماران آصمی از افراد سالم و همینطور قابلیت آنها برای تشخیص شدت بیماری آصم اثبات شده است. در ادامه با استفاده از به کار بردن این بردار ویژگی در یک شبکه عصبی GRBF, نمایه اشاره شده که همان خروچی این شبکه است، استخراج شده است. این نمایه یک عدد طبیعی بین 1 تا 10 می‌باشد (1 برای افراد سالم و10 نشان دهنده بیمار با شدت آصم ببسیار بالا) که متوسط تشخیص صحیح 90/15 % و خطای 9/85% را داراست. الگوریتم ارائه شده در این پژوهش بر آن دارد که روشی سریع و مقرون به صرفه برای کمک به متخصصان ارائه دهد، چراکه قادر است شدت بیماری آصم را به صورت سریع و خودکار رصد کند.

کلیدواژه‌ها

آصم؛ مدل اتورگرسیو؛ کپنوگرام؛ ضرائب پیش‌بینی خطی؛ شبکه عصبی .RBF

مراجع

[1] M.V. Clark, Asthma: A clinician’s guide, Jones & Bartlett Learning LLC, 2011.

[2] A. H. Teo, K. Jaalam, R. Ahmad, C.K. Sheng, N. Hisamuddin, "The use of end-tidal capnography to monitor non-intubated patients presenting with acute exacerbation of asthma in the emergency department", J. Emerg. Med., Vol. 41, No. 6, pp. 581-589, March 2009.

[3] C. Rhoades, F. Thomas, Capnography: Beyond the numbers, Air Med. J., Vol. 21, No. 2, pp. 43-48, 2002.

[4] J. Giner, P. Casan, "Pulse oximetry and capnography in lung function laboratories", Arch. Bronconeumol, Vol. 40, No. 7, pp. 311-314, 2004.

[5] J.E. Thompson, M.B. Jaffe, "Capnography waveforms in the mechanically ventilated patient", Respir. Care J., Vol. 50, No. 1, pp. 100-109, 2005.

[6] B. Smalhout, Z. Kalenda, An atlas of capnography, Second ed., Kerckebosche Zeist Press, 1981.

[7] B. You, R. Peslin, C. Duvivier, V. Dang Vu, J. P. Grilliat, "Expiratory capnography in asthma", European Respir. J., Vol. 7, pp. 318-323, 1994.

[8] M. Yaron, P. Padyk, M. Hutsinpiller, C.B. Cairns, "Utility of the expiratory capnogram in the assessment of bronchospasm", Ann. Emerg. Med., Vol. 28, No. 4, pp. 403-407, 1996.

[9] J. Druck, P. M. Rubio, M. A. Valley, M. B. Jaffe, M. Yaron, "Evaluation of the slope of phase III from the volumetric capnogram as a non-effort dependent in acute asthma exacerbation", Ann. Emerg. Med.m Vol. 50, No. 3, pp. 130-136, 2007.

[10] M. Kazemi, N.I. Imarah, M.B. Malarvili, "Assessment on methods used to detect asthmatic and non-asthmatic conditions using capnogram signal", Journal Teknologi (Sciences & Engineering), Vol. 62, No. 1, pp. 93-100, 2013.

[11] M. Kazemi, M.B. Malarvili, "Investigation of capnogram signal characteristics using statistical methods", Proceeding of the IEEE/ IECBES, Langkawi, Malaysia, pp. 343-348, 2012.

[12] A. Temko, G. Lightbody, E.M. Thomas, G.B. Boyland, W. Marnane, "Instantaneous measure of EEG channel importance for improved patient-adaptive neonatal seizure detection", IEEE Trans. on Biomedical Engineering, Vol. 59, No. 3, pp. 717-727, March 2012.

[13] M.M. Fraz, P. Remagnino, A. Hoppe, B. Uyyanonvara, A.R. Rudnicka, C.G. Owen, S.A. Barman, "Blood vessel segmentation methodologies in retinal imagies – A survey", J. Comput. Meth. Prog. Bio., Vol. 108, No. 1, pp. 407-433, 2012.

[14] J.L.M. Amaral, A.J. Lopes, J.M. Jansen, A.C.D. Faria, P.L. Melo, "An improved method of early diagnosis of smoking-induced respiratory changes using machine learning algorithms", J. Comput. Meth. Prog. Bio., Vol. 112, No. 3, pp. 441-454, 2013.

[15] J. Swenson, P.N. Henao-Guerrero, J.W. Carpenter, "Clinical technique: use of capnography in small mammal anesthesia", J. Exot. Pet. Med., Vol. 17, No. 3, pp. 175-180, 2008.

[16] M. Kirkko-Jaakkola, J. Collin, J. Takala, "Bias prediction for MEMS gyroscopes", IEEE Sensors Journal, Vol. 12, No. 6, pp. 2157-2163, June 2012.

[17] A. Facchinetti, G. Sparacino, C. Cobelli, "An online self-tunable method to denoise CGM sensor data", IEEE Trans. on Biomedical Engineering, Vol. 57, No. 3, pp. 634-641, March 2010.

[18] G.R Arce, "Nonlinear signal processing", A Statistical Approach. John Wiley & Sons Inc., New Jersey, 2005.

[19] R. Zamir, Y. Kochman, U. Erez, "Achieving the Gaussian rate-distortion function by prediction", IEEE Trans. on Information Theory, Vol. 54, No. 7, pp. 3354-3364, July 2008.

[20] E. Carotti, J.C. Martin, R. Merletti, D. Farina, "Compression of multidimensional biomedical signals with spatial and temporal codebook-excited linear prediction", IEEE Trans. on Biomedical Engineering, Vol. 56, No. 11,  pp. 2604-2610, Nov. 2009.

[21] G. Kannan, A.A. Milani, I. Panahi, R. Briggs, "An efficient feedback active noise control algorithm based on reduced-order linear predictive modeling of fMRI acoustic noise", IEEE Trans. on Biomedical Engineering, Vol. 58, No. 12, pp. 3303-3309, Dec. 2011.

[22] R. Istepanian, A. Sungoor, J.C. Nebel, "Comparative analysis of genomic signal processing for microarray data clustering", IEEE Trans. on NanoBioscience,  Vol. 10, No. 4, pp. 225-238, Dec. 2011.

[23] H.W. Hsu, C.M. Liu, "Autoregressive modeling of temporal/spectral envelopes with finite-length discrete trigonometric transforms", IEEE Trans. on Signal Processing, Vol. 58, No. 7, pp. 3692-3705, July 2010.

[24] K.J. Blinowska, J. Zygierewicz, "Practical biomedical signal analysis", CRC Press (Taylor & Francis Group, LLC), Poland, 2011.

[25] T. Cassar, K.P. Camilleri, S.G. Fabri, "Order estimation of multivariate ARMA models", IEEE Journal of Selected Topics in Signal Processing, Vol. 4, No. 3, pp. 494-503, April 2010.

[26] F.X. Wu, W.J. Zhang, "Dynamic-model-based method for selecting significantly expressed genes from time-course expression profiles", IEEE Trans. on Information Technology in Biomedicine, Vol. 14, No. 1, pp. 16-22., 2010.

[27] T.Y. Lee, S.A. Chen, H.Y. Hung, Y.Y. Ou, "Incorporating distant sequence features and radial basis function networks to identify ubiquitin conjugation sites", PLOS ONE, Vol. 6, No. 3, 2011.

[28] H.X. Huan, D.T.T. Hien, H.H. Tue, "Efficient algorithm for training interpolation RBF networks with equally spaced nodes", IEEE Trans. on Neural Networks, Vol. 22, No. 6, pp. 982-988, 2011.

[29] Lauralee Sherwood, Fundamentals of Physiology: A Human Perspective. Thomson Brooks and Cole Inc, 2006.

[30] B.M. Wilamowski, H. Yu, "Neural network learning without back-propagation", IEEE Trans. on Neural Networks, Vol. 21, No. 11, pp. 1793-1803, 2010