Detection of apneas by analyzing the heart sounds

Abstract

Das Auftreten von Apnoen während des Schlafens ist eine ernsthafte Schlafstörung. Besonders obstruktive Schlafapnoen (OSA) treten sehr häufig auf (2% Frauen und 4% Männer). Die Erkennung von OSA ist von großer Bedeutung, jedoch mit großem Aufwand verbunden. Die Idee ist die Methode zur Erkennung von OSA zu vereinfachen. Hierfür werden folgende Biosignale aufgezeichnet: Phonokardiogramm (PCG), Airflow und das Elektrokardiogramm. Das Elektrokardiogramm und der Airflow dienen als Referenzsignale, um die Herzschläge sowie die Respirationszyklen im PCG zu ermitteln. Das PCG ist die Aufzeichnung der Herztöne. Es wurden zwei Positionen der Aufnahme betrachtet, die Erste ist unterhalb des Brustbeins und die zweite links des Brustbeins zwischen dem 2. und 3.<br />Interkostalraum. Aus dem PCG Signal werden Features extrahiert. Es wird ein klassischer und ein atomarer Ansatz gewählt und verglichen. Die Features des klassischen Ansatzes sind die maximale Amplitude, der Mittelwert des gleichgerichteten Signals, die zeitliche Dauer sowie die Signalenergie. Bei dem atomaren Ansatz wird das PCG mittels einfacher gedämpfter Sinusfunktionen rekonstruiert. Diese einfachen Sinusfunktionen haben bestimmte Parameter, wie Amplitude, Frequenz, zeitliche Verzögerung, Phase und Dämpfungskonstante. Diese werden als Features verwendet. Ein künstliches neuronales Netzwerk (ANN) wird mit diesen Features trainiert. Dabei werden Daten von normaler Respiration verarbeitet. Ziel ist es, dass das ANN die Herztöne in zwei Klassen einordnet, und zwar Einatmen und Ausatmen. Die korrekte Zuordnung wird über das Airflow Signal eruiert. Nach einem erfolgreichen Training ist das ANN im Stande 91% der Herzschläge (klassische Features) bzw. 96% (atomare Features) richtig zu klassifizieren. Diese Ergebnisse wurden mit den Aufnahmen links des Brustbeins zwischen 2. und 3. Inerkostalraum erreicht. Eine Nachkorrektur des Ergebnisses um eine Verschiebung eines Herzschlages ist notwenid da das PCG und der Airflow eine zeitliche Verschiebung gegeneinander aufweisen.<br />Bei einer korrekten Klassifizeirung über 90% wird der Respirationszyklus mit guter Genauigkeit detektiert. Die Daten der Aufnahme unterhalb des Brustbeins unterliegen denen links des Brustbeins zwischen 2. und 3.<br />Interkostalraum. Mit klassischen Features erreicht man 89% und mit den Atomaren 91%.<br />Während einer OSA verhalten sich die Herztöne für eine ungewöhnlich lange Zeit wie Einatmen. Dies wird beim Output des ANN durch eine längere Folge an Einatmungsevents sichtbar. Für die Messdaten wurden simulierte obstruktive Apnoen (Müller Manöver) verwendet. Die paar simulierten OSA wurden immer detektiert. Für zentrale Schlafapnoen funktioniert dieser Algorithmus nicht, da keine Atmungsbewegung des Thorax existiert und folglich die Herztöne auch keine eindeutige Veränderungen aufzeigen.<br />

Apneas during sleep is a serious disorder. Particulary obstructive sleep apneas (OSA) occur at a high prevalence (2% of women and 4% of men). The detection of OSA is very important but the problem is the great effort required. The idea is to simplify the method of detection of OSA. Therefore the phonocardiogram (PCG), the airflow and the electrocardiogram are recorded. The electrocardiogram and the airflow are reference signals for indicating the heartbeats and the respiration cycle in the PCG. The PCG are the records of the first and second heart sound. Two different locations for the records are considered; the middle lower sterna area and the left upper sterna border between the 2nd and 3rd intercostal space. Features are extracted from the PCG in a classical and an atomic approach. The classical features are maximum amplitude, mean value of the rectified signal, duration and signal energy. The atomic approach is reconstructing the PCG signal with the help of simple damped sinus oscillations. These simple sinus oscillations have specific parameters such as amplitude, frequency, delay, phase and a damping factor. These parameters are used as features. An Artificial Neural Network (ANN) takes the features from the PCG as an input. The ANN is trained with data sets of normal respiration. The ANN is able to classify heart sounds into the categories of inspiration and expiration. After a postprocessing step the ANN is able to classify 96% of the cases correctly with the atomic approach and 91% with the classical approach. Latter numbers are achieved with the data recorded at the left upper sterna border area.<br />The middle lower sterna position's performance is lower; 91% with the atomic features and 89% with the classical features. The postprocessing is a compensation of a delay of one single heartbeat of the output of the ANN, because the PCG signal and the reference airflow are out of phase. The correct classification over 90% results in a good detection of the respiration cycles. During an OSA the heart sounds behave for an unusually long period of time as inspiration and this specific characterization indicates the OSAs. Therefore simulated obstructive apneas (Müller maneuver) have been used as input for the ANN. The few simulated apneas were consistently detected. At the output of the ANN an unusual amount of consecutive inspiration cases has been observed. For central sleep apneas the algorithm does not work because there is no respiration effort and thus the heart sounds don't change in the expected way. Only simulated apneas were tested in this work.