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

नींद केवल हमारे दिन का एक ठहराव मात्र नहीं है; यह एक महत्वपूर्ण जैविक प्रक्रिया है जो हमारे शरीर और मन को पुनर्जीवित करती है। जब यह विश्राम बाधित होता है, तो इसके परिणाम गंभीर हो सकते हैं, जो पुराने थकान से लेकर हृदय की गंभीर स्थितियों तक विस्तृत हो सकते हैं। सबसे आम और खतरनाक व्यवधानों में से एक 'स्लीप एपनिया' है, एक ऐसी स्थिति जहाँ व्यक्ति की सांस रात के दौरान बार-बार रुकती और शुरू होती है। दशकों से, इस विकार के निदान का एकमात्र विश्वसनीय तरीका 'पॉलीसॉम्नोग्राफी' नामक एक जटिल अस्पताल परीक्षण रहा है। इस प्रक्रिया में रोगी के शरीर पर एक दर्जन सेंसर लगाए जाते हैं ताकि सोते समय मस्तिष्क की तरंगों, मांसपेशियों की गतिविधि और हृदय की लय की निगरानी की जा सके। प्रभावी होने के बावजूद, यह प्रक्रिया बोझिल, महंगी और अक्सर असुविधाजनक होती है, जिससे एक ऐसी स्थिति उत्पन्न होती है जहाँ स्लीप एपनिया से पीड़ित अधिकांश लोग बिना निदान के रह जाते हैं क्योंकि वे कभी यह परीक्षण ही नहीं करवा पाते।

इस समस्या को हल करने के लिए, शोधकर्ताओं ने एक सरल संकेत की ओर अपना ध्यान केंद्रित किया: इलेक्ट्रोकार्डियोग्राम, या ईसीजी (ECG), जो हृदय की विद्युत गतिविधि को रिकॉर्ड करता है। हृदय पूरी तरह से स्थिर लय में नहीं धड़कता; इसकी गति और शक्ति सांस लेने और अन्य शारीरिक कार्यों के जवाब में सूक्ष्म रूप से बदलती रहती है। स्लीप एपनिया वाले लोगों में, ये सूक्ष्म परिवर्तन एक विशिष्ट पैटर्न का पालन करते हैं जो स्वस्थ सोने वालों से भिन्न होता है। चुनौती एक कंप्यूटर को इन पैटर्न को स्वचालित रूप से पहचानने के लिए प्रशिक्षित करने की थी, बिना किसी मानव विशेषज्ञ द्वारा घंटों के डेटा की मैन्युअल समीक्षा किए। इंडोनेशिया के पॉलिटेक्निक नेगेरी बाटम के एक नए अध्ययन ने एक समाधान प्रस्तावित किया है जो हृदय को रिकॉर्ड करने के लिए एक एकल तार और डेटा की व्याख्या करने के लिए एक शक्तिशाली गणितीय उपकरण का उपयोग करता है, जो नींद के विकारों के लिए सरल, घर-आधारित स्क्रीनिंग की दिशा में एक संभावित मार्ग प्रदान करता है।

शोधकर्ताओं ने एक सार्वजनिक डेटाबेस से हृदय रिकॉर्डिंग का एक बड़ा संग्रह एकत्र करके शुरुआत की, जहाँ सिग्नल के प्रत्येक मिनट को चिकित्सा विशेषज्ञों द्वारा पहले ही "एपनिया" या "सामान्य" के रूप में लेबल किया गया था। उन्होंने लगभग सोलह मिनट लंबे रिकॉर्डिंग पर ध्यान केंद्रित किया, यह अवधि दो अवस्थाओं के बीच अंतर करने के लिए पर्याप्त नैदानिक विवरण कैप्चर करने के लिए चुनी गई थी। इससे पहले कि कंप्यूटर इस डेटा से सीख सके, टीम को सिग्नलों को साफ करना था। जिस प्रकार धूल या हाथ के हिलने से एक तस्वीर खराब हो सकती है, उसी प्रकार हृदय की रिकॉर्डिंग भी विद्युत हस्तक्षेप या रोगी के शरीर की गति से विकृत हो सकती है। टीम ने इन अवांछित शोरों को हटाने के लिए डिजिटल फिल्टर का उपयोग किया, जिससे यह सुनिश्चित हुआ कि हृदय की वास्तविक लय स्पष्ट और दृश्यमान रहे।

एक बार जब सिग्नल साफ हो गए, तो शोधकर्ताओं के सामने कच्चे धड़कनों को उस भाषा में अनुवाद करने का कार्य आया जिसे कंप्यूटर समझ सके। केवल हृदय गति को देखने के बजाय, उन्होंने डेटा को बीस-छब्बीस अलग-अलग विशेषताओं, या 'फीचर्स' में विभाजित किया, जो हृदय की विद्युत तरंगों के आकार और व्यवहार का वर्णन करते हैं। इनमें से कुछ फीचर्स हृदय की धड़कनों के बीच के समय को मापते थे, जबकि अन्य समय के साथ लय की स्थिरता का विश्लेषण करते थे। उन्होंने हृदय की मुख्य विद्युत तरंग, जिसे QRS कॉम्प्लेक्स कहा जाता है, के विशिष्ट आकार को भी देखा, जिसमें उसकी ऊंचाई और चौड़ाई को मापा गया। और भी गहरे पैटर्न को पकड़ने के लिए, उन्होंने उन्नत गणितीय तकनीकों को लागू किया जिन्होंने यह जांचा कि हृदय की लय अल्प और दीर्घ अवधि में कैसे उतार-चढ़ाव करती है, और सिग्नल को एक साधारण रेखा के बजाय एक जटिल, स्व-समान संरचना के रूप में माना। इस बहुआयामी दृष्टिकोण ने यह सुनिश्चित किया कि कंप्यूटर के पास हृदय के व्यवहार की केवल एक झलक नहीं, बल्कि एक पूर्ण तस्वीर हो।

इन फीचर्स तैयार होने के बाद, टीम ने 'एक्सजीबूस्ट' (XGBoost) नामक एक परिष्कृत मशीन-लर्निंग एल्गोरिदम को प्रशिक्षित किया। इस एल्गोरिदम को कई सरल निर्णय लेने वालों की एक टीम के रूप में समझें जो मिलकर काम कर रहे हैं। टीम का प्रत्येक सदस्य डेटा के एक छोटे हिस्से को देखता है और इस बारे में एक अनुमान लगाता है कि क्या रोगी को एपनिया की घटना हो रही है। टीम फिर इन अनुमानों को जोड़ती है, पिछले सदस्यों की गलतियों को सुधारती है, जब तक कि वे एक एकल, अत्यधिक सटीक निष्कर्ष पर नहीं पहुँच जाते। शोधकर्ताओं ने इस एल्गोरिदम की सेटिंग्स को ट्यून करने में काफी समय बिताया, यह समायोजित करते हुए कि यह डेटा का कितनी गहराई से विश्लेषण करता है और कितनी तेजी से सीखता है, ताकि यह केवल प्रशिक्षण उदाहरणों को याद न कर ले बल्कि वास्तव में नए पैटर्न को पहचान सके। उन्होंने यह भी परीक्षण किया कि उन छब्बीस फीचर्स में से कौन से सबसे महत्वपूर्ण थे, और पाया कि हृदय की धड़कनों के बीच का समय और विद्युत स्पाइक्स का विशिष्ट आकार सबसे विश्वसनीय संकेतक थे।

इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब इसे ऐसे डेटा पर परखा गया जिसे इसने पहले कभी नहीं देखा था, तो सिस्टम ने 96.1% की सटीकता के साथ स्लीप एपनिया की घटनाओं की सही पहचान की। यह स्वस्थ सोने वालों को खारिज करने में असाधारण रूप से कुशल था, जिसने बिना विकार वाले लोगों की पहचान करने में 100% का पूर्ण स्कोर प्राप्त किया, जबकि वास्तविक एपनिया मामलों को 92.1% तक पकड़ लिया। चिकित्सा अनुसंधान में उपयोग की जाने वाली अन्य सामान्य विधियों, जैसे कि मानक न्यूरल नेटवर्क या सरल सांख्यिकीय मॉडल की तुलना में, इस अनुकूलित प्रणाली ने उन सभी को पछाड़ दिया। यह अध्ययन प्रदर्शित करता है कि हृदय के आकार और लय के विस्तृत विश्लेषण को एक शक्तिशाली लर्निंग एल्गोरिदम के साथ जोड़कर, नींद के विकारों का पता लगाने के स्तर की सटीकता प्राप्त की जा सकती है जो जटिल, बहु-सेंसर अस्पताल परीक्षणों के बराबर है। यह सुझाव देता है कि निकट भविष्य में, एक सरल, सिंगल-लीड डिवाइस स्लीप एपनिया के निदान के लिए एक विश्वसनीय पहला कदम प्रदान कर सकता है, जिससे यह प्रक्रिया पहले की तुलना में कहीं अधिक लोगों के लिए सुलभ हो जाएगी।