Sleep Apnea Detection Using Artificial Neural Networks of Physiological Signals, Copula-Based Analysis, and Nonlinear Dynamics

ملخص تقني: كشف انقطاع النفس أثناء النوم باستخدام الشبكات العصبية الاصطناعية، والتحليل القائم على "كوبولا"، والديناميات غير الخطية

بيان المشكلة
يُعد انقطاع النفس أو نقص التنفس أثناء النوم اضطراباً خطيراً قد يؤدي إلى عواقب مميتة، بما في ذلك مشاات في القلب والدماغ، مما يتطلب إجراءات تشخيصية دقيقة وسريعة. غالباً ما تكون طرق التشخيص التقليدية، مثل تخطيط النوم (polysomnography)، مكلفة وتتطلب تجهيزات كاملة لمختبر نوم. وبينما توفر المستشعرات القابلة للارتداء والمسح باستخدام عدد أقل من المستشعرات بديلاً مبسطاً، فإن الإشارات التي يتم الحصول عليها من هذه الأجهزة (مثل تخطيط كهربية القلب ECG) تُظهر سلوكيات معقدة ومضطربة تفشل طرق التحليل الخطي غالباً في التقاطها. يكمن التحدي في تطوير إطار عمل يمكنه تحديد انقطاع النفس الانسدادي أثناء النوم (OSA) بكفاءة من خلال تحليل الديناميات المعقدة وغير الخطية لتقلب ضربات القلب، والتي يحكمها النشاط الودي والباراسمبثاوي وتضطرب أثناء نوبات انقطاع النفس.

المنهجية
يقترح المؤلفون إطار عمل ديناميكي غير خطي يدمج التحليل القائم على الفوضى (chaos-based analysis)، ونمذجة "كوبولا" (copula modeling)، والتعلم الآلي للتمييز بين التنفس الطبيعي وانقطاع النفس أثناء النوم. تستخدم الدراسة بيانات تخطيط كهربية القلب (ECG) من قاعدة بيانات "Apnea-ECG" التابعة لـ PhysioNet، وتحديداً باختيار عشر تسجيلات تضم مقاطع مصنفة كـ "طبيعي" (Normal) و"انقطاع نفس أثناء النوم" (Sleep Apnea).

تتقدم المنهجية عبر المراحل التالية:

1. إعادة بناء فضاء الطور (Phase-Space Reconstruction):

   • التأخير الزمني ($\tau$): تم حسابه باستخدام معلومات المتبادل المتوسط (AMI) لتحديد التأخير الأمثل لإعادة بناء ديناميات النظام.
   • بعد التضمين ($m$): تم تحديده باستخدام خوارزمية الجيران الأقرب الزائف (FNN) لفك مسار النظام دون تداخل.
   • التحليل: تم تصور فضاءات الطور المعاد بناؤها لمراقبة هياكل المسارات (الدوائر المغلقة مقابل المسارات المشتتة).

2. استخراج سمات الديناميات غير الخطية:

   • خرائط بوانكاريه (Poincaré Maps): استُخدمت لتصور الارتباط بين فترات RR المتتالية ($RR_n$ مقابل $RR_{n+1}$). وتعمل الواصفات الهندسية (SD1، SD2، ومساحة القطع الناقص الملائم) على قياس التباين قصير المدى وطويل المدى.
   • أساتيب ليابونوف ($\lambda_{max}$): حُسبت لتقييم حساسية النظام وتعقيده. تشير القيم الموجبة إلى وجود ديناميات فوضوية (تباعد المسارات)، بينما تشير القيم الصفرية أو السالبة إلى حركة دورية أو مستقرة.
   • تحويل فوريه السريع (FFT): طُبق لاسترجاع سمات النطاق الترددي وكثافة الطيف القدرتي (PSD) لتحديد الدورات وتغيرات التوازن الذاتي (مثل التحولات في نطاقات التردد المنخفض مقابل التردد العالي).

3. التحليل القائم على "كوبولا" (Copula-Based Analysis):

   • تم استخدام "كوبولا" غاوس (Gaussian)، وكليتون (Clayton)، وغومبل (Gumbel) لنمذجة هياكل الاعتماد غير الخطية واعتماد الذيول بين أزواج الإشارات الفسيولوجية. وهذا يلتقط الارتباطات البينية المعقدة التي قد تغفل عنها مقاييس الارتباط القياسية، مما يميز بين أنماط الاقتران المنظمة (الدورية) والمشتتة (الفوضوية).

4. التصنيف عبر الشبكات العصبية الاصطناعية (ANN):

   • تم تدريب مصنف ANN باستخدام متجه سمات يتكون من السمات غير الخطية (ليابونوف، بوانكاريه)، وسمات النطاق الترددي (FFT)، وسمات "كوبولا".
   • تقوم الشبكة برسم خرائط لهذه الديناميات الفسيولوجية إلى مخرج ثنائي (طبيعي مقابل انقطاع نفس) باستخدام عتبة قرار (غالباً 0.5). يستخدم النموذج متجهات سمات متأخرة لتعلم التغيرات الزمنية في الحالة الفسيولوجية.

النتائج الرئيسية
تعرض الدراسة النتائج التجريبية عبر عدة "هياكل نماذج" (مقاطع من مجموعة البيانات)، مما يوضح قدرة الإطار على التمييز بين أنماط التنفس:

• التنفس الطبيعي: يتميز بمسارات مرتبة وذات حلقات مغلقة في فضاء الطور، وخرائط بوانكاريه ضيقة محاذية لخط الهوية، وطاقة طيفية مركزة عند ترددات منخفضة واحدة (FFT)، واعتماد قوي ومنظم في مخططات "كوبولا".
• انقطاع النفس أثناء النوم: يتميز بمسارات مشتتة ومتداخلة، وخرائط بوانكاريه مبعثرة، وتوزيعات طيفية أوسع للتردد المنخفض، وهياكل اعتماد ضعيفة وغير منتظمة.
• أساتيب ليابوف (Lyapunov Exponents): أظهرت معظم المقاطع المرتبطة بانقطاع النفس أساتيب ليابونوف موجبة (مما يشير إلى الفوضى)، رغم أن المؤلفين أشاروا إلى وجود تباينات في بعض الحالات حيث ظهرت أساتيب موجبة في مقاطع ذات أنماط طور دورية، مما يشير إلى الحاجة لاختيار دقيق للمعلمات.
• أداء الشبكة العصبية الاصطناعية (ANN):
  • نجحت ANN في تصنيف المقاطع بناءً على السمات المستخرجة.
  • هيكل النموذج 1: تم تحديده كدوري/غير مصاب بانقطاع النفس بثقة عالية.
  • هيكل النموذج 2: تم تحديده كفوضوي/مصاب بانقطاع النفس بثقة عالية.
  • هيكل النموذج 4: تم تحديده كدوري/غير مصاب بانقطاع النفس.
  • هيكل النموذج 7: تم تحديده كفوضوي/مصاب بانقطاع النفس.
  • هيكل النموذج 9: تم تحديده كفوضوي/مصاب بانقطاع النفس.
  • هيكل النموذج 10: تم تحديده كفوضوي/مصاب بانقطاع النفس.
  • لم تظهر نتائج التصنيف أي أخطاء تصنيف واضحة في المقاطع المختبرة، حيث ميزت ANN بفعالية بين نوبات الفوضى المنفصلة (انقطاع النفس) والحركة الدورية المنتظمة.
• المقاييس الكمية: تذكر الورقة قيم AUROC لهياكل نماذج محددة، تتراوح من 0.6095 (النموذج 9، أداء هامشي) إلى 0.8476 (النموذج 4، تمييز عالٍ)، مما يشير إلى درجات متفاوتة من موثوقية التصنيف عبر خصائص الإشارة المختلفة.

الأهمية والادعاءات
تدعي الورقة أن الإطار المقترح هو "أداة واعدة للكشف الآلي والدقيق عن انقطاع النفس أثناء النوم". ومن خلال الجمع بين السمات المتكاملة — الديناميات غير الخطية، التحليل الطيفي، نمذجة الاعتماد، والتعلم الآلي — ينجح المنهج في التقاط كل من أنماط التنفس الخطية وغير الخطية.

يؤكد المؤلفون أن هذا النهج يقدم بديلاً غير جراحي لتخطيط النوم، مما قد يتيح مراقبة منزلية قابلة للتوسع ومنخفضة التكلفة. ومع ذلك، تحافظ الورقة على نبرة متواضنة فيما يتعلق بجاهزيتها السريرية؛ حيث تنص صراحة على أن النتائج الحالية تعتمد على مجموعة بيانات صغيرة على مستوى المقاطع تفتقر إلى معرفات المرضى الكاملة، ومعدلات أخذ العينات، وقيم AHI، أو تسميات الشدة السريرية. وبناءً على ذلك، يؤكد المؤلفون أنه بينما يوفر نموذج الديناميات غير الخطية خصائص رياضية هامة لتحديد السلوك الفوضوي، فإن الادعاء بتحديد انقطاع النفس أثناء النوم آلياً يظل "غير مثبت في غياب تأكيد كمي شامل" ويتطلب التحقق المستقبلي باستخدام مجموعات بيانات أكبر، متنوعة، وموسومة سريرياً قبل النشر السريري.