EEG信号に基づくインテリジェントな睡眠時無呼吸分類システム

睡眠時無呼吸は睡眠障害であり、睡眠中に人間や動物に起こる短時間呼吸を止めます。脳波（EEG）は、脳の活動を検知して記録することにより、睡眠時無呼吸を検出する上で重要な役割を果たします。EEG信号データセットは、無限のインパルス応答Butterworth Band Pass FilterとHilbert Huang Transformを使用してフィルタリングを受けます。前処理後、フィルタリングされたEEG信号はサブバンド分離のために操作され、ガンマ、ベータ、アルファ、シータ、デルタなどの5つの周波数帯域に分裂します。この作業では、分解されたEEG信号から得られた各周波数帯域に計算されるエネルギー、エントロピー、分散などの機能を採用しています。選択された機能は、カーネル関数、k-nearest Neighbors（KNN）、および人工ニューラルネットワーク（ANN）を備えたサポートベクターマシン（SVM）を含む機械学習分類器を使用することにより、分類プロセス用にインポートされます。精度、感度、特異性などのパフォーマンス測定は、各分類器について計算および分析され、睡眠時無呼吸のサポートベクターマシンベースの分類が有望な結果を生成すると推測されます。

Sleep Apnea is a sleep disorder which causes stop in breathing for a short duration of time that happens to human beings and animals during sleep. Electroencephalogram (EEG) plays a vital role in detecting the sleep apnea by sensing and recording the brain's activities. The EEG signal dataset is subjected to filtering by using Infinite Impulse Response Butterworth Band Pass Filter and Hilbert Huang Transform. After pre-processing, the filtered EEG signal is manipulated for sub-band separation and it is fissioned into five frequency bands such as Gamma, Beta, Alpha, Theta, and Delta. This work employs features such as energy, entropy, and variance which are computed for each frequency band obtained from the decomposed EEG signals. The selected features are imported for the classification process by using machine learning classifiers including Support Vector Machine (SVM) with Kernel Functions, K-Nearest Neighbors (KNN), and Artificial Neural Network (ANN). The performance measures such as accuracy, sensitivity, and specificity are computed and analyzed for each classifier and it is inferred that the Support Vector Machine based classification of sleep apnea produces promising results.