XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

Schlaf ist nicht bloß eine Unterbrechung unseres Tages; er ist ein lebenswichtiger biologischer Prozess, der unsere Körper und unseren Geist regeneriert. Wenn diese Ruhe gestört wird, können die Folgen schwerwiegend sein, die von chronischer Müdigkeit bis hin zu ernsthaften Herzerkrankungen reichen. Eine der häufigsten und gefährlichsten Störungen ist die Schlafapnoe, ein Zustand, bei dem die Atmung eines Menschen während der Nacht wiederholt stoppt und wieder einsetzt. Jahrzehntelang war der einzige zuverlässige Weg, diese Störung zu diagnostizieren, ein komplexer Krankenhaus-Test namens Polysomnographie. Bei diesem Verfahren werden ein Dutzend Sensoren am Körper eines Patienten angebracht, um Gehirnwellen, Muskelaktivität und Herzrhythmen während des Schlafs zu überwachen. Obwohl dieser Prozess effektiv ist, ist er umständlich, teuer und oft unbequem, was dazu führt, dass die überwältigende Mehrheit der Menschen, die unter Schlafapnoe leiden, nicht diagnostiziert wird, weil sie den Test niemals durchführen.

Um dieses Problem zu lösen, haben Forscher ihre Aufmerksamkeit auf ein einfacheres Signal gelenkt: das Elektrokardiogramm, oder EKG, welches die elektrische Aktivität des Herzens aufzeichnet. Das Herz schlägt nicht in einem perfekt gleichmäßigen Rhythmus; seine Geschwindigkeit und Stärke ändern sich subtil als Reaktion auf die Atmung und andere Körperfunktionen. Bei Menschen mit Schlafapnoe folgen diese subtilen Veränderungen einem deutlichen Muster, das sich von gesunden Schläfern unterscheidet. Die Herausforderung bestand darin, einem Computer beizubringen, diese Muster automatisch zu erkennen, ohne dass ein menschlicher Experte Stunden von Daten manuell auswerten muss. Eine neue Studie der Politeknik Negeri Batam in Indonesien schlägt eine Lösung vor, die einen einzelnen Draht zur Aufzeichnung des Herzens und ein leistungsstarkes mathematisches Werkzeug zur Interpretation der Daten verwendet, was einen potenziellen Weg für ein einfaches, häusliches Screening von Schlafstörungen eröffnet.

Die Forscher begannen damit, eine große Sammlung von Herzaufzeichnungen aus einer öffentlichen Datenbank zusammenzustellen, in der jede Minute des Signals bereits von medizinischen Experten als entweder „Apnoe“ oder „normal“ gekennzeichnet worden war. Sie konzentrierten sich auf Aufzeichnungen, die etwa sechzehn Minuten lang waren – eine Dauer, die gewählt wurde, um genügend klinische Details zu erfassen, um zwischen den beiden Zuständen zu unterscheiden. Bevor der Computer aus diesen Daten lernen konnte, musste das Team die Signale bereinigen. Genau wie ein Foto durch Staub oder eine zittrige Hand ruiniert werden kann, können Herzaufzeichnungen durch elektrische Interferenzen oder die Bewegung des Patienten verzerrt werden. Das Team setzte digitale Filter ein, um diese unerwünschten Störungen zu entfernen und sicherzustellen, dass der wahre Rhythmus des Herzens sichtbar und klar war.

Nachdem die Signale bereinigt worden waren, standen die Forscher vor der Aufgabe, die rohen Herzschläge in eine Sprache zu übersetzen, die ein Computer verstehen kann. Anstatt nur auf die Herzfrequenz zu achten, brachten sie die Daten in sechsundzwanzig verschiedene Merkmale oder Eigenschaften auf, die die Form und das Verhalten der elektrischen Wellen des Herzens beschreiben. Einige dieser Merkmale maßen die Zeit zwischen den Herzschlägen, während andere die Stabilität des Rhythmus über die Zeit analysierten. Sie betrachteten auch die spezifische Form der Hauptspitze der elektrischen Welle des Herzens, bekannt als QRS-Komplex, und maßen deren Höhe und Breite. Um noch tiefere Muster zu erfassen, wandten sie fortgeschrittene mathematische Techniken an, die untersuchten, wie der Herzrhythmus über kurze und lange Zeiträume fluktuiert, indem sie das Signal als eine komplexe, selbstähnliche Struktur statt als eine einfache Linie behandelten. Dieser vielschichtige Ansatz stellte sicher, dass der Computer ein vollständiges Bild des Herzverhaltens erhielt und nicht nur eine einzelne Momentaufnahme.

Mit diesen vorbereiteten Merkmalen trainierte das Team einen hochentwickelten Machine-Learning-Algorithmus namens XGBoost. Betrachten Sie diesen Algorithmus als ein Team aus vielen einfachen Entscheidungsträgern, die zusammenarbeiten. Jedes Mitglied des Teams betrachtet ein kleines Stück der Daten und gibt eine Vermutung darüber ab, ob der Patient ein Apnoe-Ereignis erlebt. Das Team kombiniert dann diese Vermutungen und korrigiert die Fehler der vorherigen Mitglieder, bis es zu einem einzigen, hochpräzisen Schluss kommt. Die Forscher verbrachten viel Zeit damit, die Einstellungen dieses Algorithmus zu optimieren, indem sie anpassten, wie tief er die Daten analysierte und wie schnell er lernte, um sicherzustellen, dass er die Trainingsbeispiele nicht einfach nur auswendig lernte, sondern tatsächlich neue Muster erkennen konnte. Sie testeten auch, welche der sechsundzwanzig Merkmale am wichtigsten waren, und fanden heraus, dass die Zeit zwischen den Herzschlägen und die spezifische Form der elektrischen Spitzen die zuverlässigsten Indikatoren waren.

Die Ergebnisse dieses Ansatzes waren beeindruckend. Als das System mit Daten getestet wurde, die es zuvor noch nie gesehen hatte, identifizierte es Schlafapnoe-Ereignisse mit einer Genauigkeit von 96,1 %. Es war außergewöhnlich gut darin, gesunde Schläfer auszuschließen, wobei es eine perfekte Punktzahl von 100 % bei der Identifizierung derjenigen ohne die Störung erreichte, während es gleichzeitig 92,1 % der tatsächlichen Apnoe-Fälle erfasste. Im Vergleich zu anderen gängigen Methoden, die in der medizinischen Forschung verwendet werden, wie etwa Standard-Neuronalen Netzen oder einfacheren statistischen Modellen, übertraf dieses optimierte System sie alle. Die Studie zeigt, dass es durch die Kombination einer detaillierten Analyse der Form und des Rhythmus des Herzens mit einem leistungsstarken Lernalgorithmus möglich ist, Schlafstörungen mit einer Präzision zu erkennen, die komplexen, multisensorischen Krankenhaus-Tests ebenbürtig ist. Dies deutet darauf an, dass in naher Zukunft ein einfaches Gerät mit einem einzigen Ableiter einen zuverlässigen ersten Schritt bei der Diagnose von Schlafapnoe bieten könnte, was den Prozess für weit mehr Menschen zugänglich macht als je zuvor.