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

तकनीकी सारांश: आर्टिफिशियल न्यूरल नेटवर्क, कोपुला-आधारित विश्लेषण और नॉनलीनियर डायनेमिक्स का उपयोग करके स्लीप एपनिया का पता लगाना

समस्या विवरण
स्लीप एपनिया/हाइपोपनिया एक गंभीर विकार है जिसके घातक परिणाम (जैसे हृदय और मस्तिष्क संबंधी समस्याएं) हो सकते हैं, जिसके लिए सटीक और तीव्र नैदानिक प्रक्रियाओं की आवश्यकता होती है। पारंपरिक नैदानिक विधियां, जैसे कि पॉलीसोम्नोग्राफी, अक्सर महंगी होती हैं और उनके लिए पूर्ण स्लीप-लैब सेटअप की आवश्यकता होती है। जबकि पहनने योग्य सेंसर (wearable sensors) और कम-सेंसर वाली स्क्रीनिंग एक सुव्यवस्थित विकल्प प्रदान करती है, इन उपकरणों (जैसे ECG) से प्राप्त संकेत जटिल और अनियमित व्यवहार प्रदर्शित करते हैं जिन्हें रैखिक विश्लेषण (linear analysis) विधियां अक्सर पकड़ने में विफल रहती हैं। चुनौती एक ऐसे ढांचे को विकसित करने की है जो कार्डियक बीट वेरिएबिलिटी की जटिल, नॉनलीनियर डायनेमिक्स का विश्लेषण करके ऑब्स्ट्रक्टिव स्लीप एपनिया (OSA) की कुशलतापूर्वक पहचान कर सके, जो सहानुभूति (sympathetic) और पैरासिम्पेथेटिक गतिविधि द्वारा नियंत्रित होती है और एपनिया प्रकरणों के दौरान बाधित होती है।

कार्यप्रणाली (Methodology)
लेखक एक नॉनलीनियर डायनेमिकल फ्रेमवर्क का प्रस्ताव करते हैं जो सामान्य श्वसन और स्लीप एपनिया के बीच अंतर करने के लिए केओस-आधारित विश्लेषण (chaos-based analysis), कोपुला मॉडलिंग और मशीन लर्निंग को एकीकृत करता है। यह अध्ययन PhysioNet "Apnea-ECG" डेटाबेस से ECG डेटा का उपयोग करता है, विशेष रूप से दस रिकॉर्डिंग का चयन किया गया है जिनमें "सामान्य" (Normal) और "स्लीप एपनिया" (Sleep Apnea) के रूप में लेबल किए गए खंड (segments) शामिल हैं।

कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

1. फेज-स्पेस रिकंस्ट्रक्शन (Phase-Space Reconstruction):

   • टाइम डिले ($\tau$): सिस्टम की गतिशीलता को पुनर्गठित करने के लिए इष्टतम लैग (lag) निर्धारित करने हेतु एवरेज म्यूचुअल इंफॉर्मेशन (AMI) का उपयोग किया गया है।
   • एम्बेडिंग डायमेंशन ($m$): सिस्टम ट्रैजेक्टरी को ओवरलैप के बिना अनफोल्ड करने के लिए फॉल्स नियरेस्ट नेबर्स (FNN) एल्गोरिदम का उपयोग किया गया है।
   • विश्लेषण: ट्रैजेक्टरी संरचनाओं (बंद लूप बनाम बिखरी हुई ट्रैजेक्टरी) को देखने के लिए पुनर्गठित फेज स्पेस का दृश्य अवलोकन किया गया है।

2. नॉनलीनियर डायनेमिक फीचर एक्सट्रैक्शन:

   • पोइन्केरे मैप्स (Poincaré Maps): क्रमिक RR अंतराल ($RR_n$ बनाम $RR_{n+1}$) के बीच सहसंबंध को विज़ुअलाइज़ करने के लिए उपयोग किया जाता है। ज्यामितीय डिस्क्रिप्टर (SD1, SD2, और फिटेड एलिप्स एरिया) शॉर्ट-टर्म और लॉन्ग-टर्म परिवर्तनशीलता को मात्रात्मक रूप देते हैं।
   • ल्यपुनोव एक्सपोनेंट्स ($\lambda_{max}$): सिस्टम की संवेदनशीलता और जटिलता का मूल्यांकन करने के लिए गणना की जाती है। सकारात्मक मान अराजक (chaotic) गतिशीलता (ट्रैजेक्टरी का विचलन) का संकेत देते हैं, जबकि शून्य या नकारात्मक मान आवधिक (periodic) या स्थिर गति का सुझाव देते हैं।
   • फास्ट फूरियर ट्रांसफॉर्म (FFT): ऑटोोनोमिक संतुलन में बदलाव (जैसे लो-फ्रीक्वेंसी बनाम हाई-फ्रीक्वेंसी बैंड में शिफ्ट) की पहचान करने के लिए फ्रीक्वेंसी-डोमेन फीचर्स और पावर स्पेक्ट्रल डेंसिटी (PSD) प्राप्त करने के लिए लागू किया गया है।

3. कोपुला-आधारित विश्लेषण (Copula-Based Analysis):

   • गैussian, क्लेटन (Clayton) और गुम्बेल (Gumbel) कोपुला का उपयोग शारीरिक सिग्नल जोड़ों के बीच नॉनलीनियर डिपेंडेंस स्ट्रक्चर और टेल डिपेंडेंसी को मॉडल करने के लिए किया जाता है। यह उन जटिल अंतर्निर्भरताओं को पकड़ता है जिन्हें मानक सहसंबंध माप मिस कर सकते हैं, जिससे संगठित (आवधिक) और बिखरे हुए (अराजक) कपलिंग पैटर्न के बीच अंतर किया जा सके।

4. आर्टिफिशियल न्यूरल नेटवर्क (ANN) के माध्यम से वर्गीकरण:

   • एक ANN क्लासिफायर को एक फीचर वेक्टर का उपयोग करके प्रशिक्षित किया गया है जिसमें निकाले गए नॉनलीनियर (Lyapunov, Poincaré), फ्रीक्वेंसी-डोमेन (FFT), और कोपुला-आधारित फीचर्स शामिल हैं।
   • नेटवर्क इन फिजियोलॉजिकल डायनेमिक्स को एक बाइनरी आउटपुट (Normal बनाम Apnea) में मैप करता है, जिसके लिए एक निर्णय थ्रेशोल्ड (आमतौर पर 0.5) का उपयोग किया जाता है। मॉडल शारीरिक अवस्था में टेम्पोरल परिवर्तनों को सीखने के लिए विलंबित (delayed) फीचर वेक्टर्स का उपयोग करता है।

मुख्य परिणाम
अध्ययन कई "मॉडल संरचनाओं" (डेटासेट के खंडों) में प्रयोगात्मक परिणाम प्रस्तुत करता है, जो सांस लेने के पैटर्न को अलग करने की इस फ्रेमवर्क की क्षमता को प्रदर्शित करता है:

• नॉनलीनियर डायनेमिक्स:
  • सामान्य श्वसन (Normal Breathing): फेज स्पेस में व्यवस्थित, बंद-लूप ट्रैजेक्टरी, आइडेंटिटी लाइन के साथ टाइट पोइन्केरे प्लॉट्स, एकल निम्न आवृत्तियों पर केंद्रित स्पेक्ट्रल ऊर्जा (FFT), और मजबूत, संगठित निर्भरता (कोपुला प्लॉट्स में) द्वारा पहचाना जाता है।
  • स्लीप एपनिया (Sleep Apnea): बिखरी हुई, ओवरलैपिंग ट्रैजेक्टरी, बिखरे हुए पोइन्केरे प्लॉट्स, व्यापक लो-फ्रीक्वेंसी स्पेक्ट्रल वितरण, और कमजोर, अनियमित निर्भरता संरचनाओं द्वारा पहचाना जाता है।
• ल्यपुनोव एक्सपोनेंट्स: अधिकांश एपनिया-संबंधित खंडों में सकारात्मक ल्यपुनोव एक्सपोनेंट्स देखे गए (जो अराजकता का संकेत देते हैं), हालांकि लेखक कुछ मामलों में विसंगतियों का उल्लेख करते हैं जहाँ अन्यथा आवधिक फेज-स्पेस पैटर्न वाले खंडों में भी सकारात्मक एक्सपोनेंट दिखाई दिए, जो सावधानीपूर्वक पैरामीटर चयन की आवश्यकता का सुझाव देते हैं।
• ANN प्रदर्शन:
  • ANN ने निकाले गए फीचर्स के आधार पर खंडों को सफलतापूर्वक वर्गीकृत किया।
  • मॉडल स्ट्रक्चर 1: उच्च विश्वास के साथ आवधिक/गैर-एपनेटिक (periodic/non-apneic) के रूप में पहचाना गया।
  • मॉडल स्ट्रक्चर 2: उच्च विश्वास के साथ अराजक/एपनेटिक (chaotic/apneic) के रूप में पहचाना गया।
  • मॉडल स्ट्रक्चर 4: आवधिक/गैर-एपनेटिक के रूप में पहचाना गया।
  • मॉडल स्ट्रक्चर 7: अराजक/एपनेटिक के रूप में पहचाना गया।
  • मॉडल स्ट्रक्चर 9: अराजक/एपनेटिक के रूप में पहचाना गया।
  • मॉडल स्ट्रक्चर 10: अराजक/एपनेटिक के रूप में पहचाना गया।
  • वर्गीकरण परिणामों में परीक्षण किए गए खंडों में कोई स्पष्ट गलत वर्गीकरण नहीं देखा गया, जहाँ ANN प्रभावी रूप से डिस्क्रीट अराजक प्रकरणों (एपनिया) और नियमित आवधिक गति के बीच अंतर करता है।
• मात्रात्मक मेट्रिक्स: पेपर विशिष्ट मॉडल संरचनाओं के लिए AUROC मान रिपोर्ट करता है, जो 0.6095 (मॉडल 9, मामूली प्रदर्शन) से 0.8476 (मॉडल 4, उच्च भेदभाव) तक भिन्न होते हैं, जो विभिन्न सिग्नल विशेषताओं के आधार पर वर्गीकरण विश्वसनीयता के विभिन्न स्तरों को दर्शाते हैं।

महत्व और दावे
पेपर दावा करता है कि प्रस्तावित फ्रेमवर्क "स्वचालित और सटीक स्लीप एपनिया डिटेक्शन के लिए एक आशाजनक उपकरण" है। पूरक फीचर्स—नॉनलीनियर डायनेमिक्स, स्पेक्ट्रल विश्लेषण, डिपेंडेंस मॉडलिंग और मशीन लर्निंग को जोड़कर, यह पद्धति सफलतापूर्वक रैखिक और नॉनलीनियर दोनों श्वसन पैटर्न को कैप्चर करती है।

लेखक इस दृष्टिकोण को पॉलीसोम्नोग्राफी के एक गैर-आक्रामक विकल्प के रूप में देखते हैं, जो संभावित रूप से स्केलेबल, कम लागत वाली होम मॉनिटरिंग को सक्षम बनाता है। हालांकि, पेपर अपनी क्लिनिकल तत्परता के संबंध में एक मध्यम स्वर बनाए रखता है। यह स्पष्ट रूप से बताता है कि वर्तमान निष्कर्ष एक छोटे खंड-स्तरीय डेटासेट पर आधारित हैं जिसमें पूर्ण रोगी पहचानकर्ता, सैंपलिंग दर, AHI मान या क्लिनिकल गंभीरता लेबल की कमी है। फलस्वरूप, लेखक तर्क देते है कि जबकि नॉनलीनियर डायनेमिक मॉडल अराजक व्यवहार की पहचान करने के लिए महत्वपूर्ण गणितीय विशेषताएं प्रदान करता है, क्लिनिकल तैनाती से पहले बड़े, विविध और क्लिनिकली एनोटेटेड डेटासेट्स के साथ गहन मात्रात्मक पुष्टि के अभाव में स्वचालित स्लीप एपनिया पहचान का दावा "अपुष्ट" है।