کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8777765 1599454 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unobtrusive assessment of neonatal sleep state based on heart rate variability retrieved from electrocardiography used for regular patient monitoring
ترجمه فارسی عنوان
ارزیابی غریزی از وضعیت خواب نوزادان مبتنی بر تغییرپذیری ضربان قلب از الکتروکاردیوگرافی مورد استفاده برای نظارت منظم بیمار
کلمات کلیدی
ترجمه چکیده
به عنوان یک رویکرد ارزیابی غریزی از وضعیت خواب نوزاد، ما با برنامه ریزی خودکار حالت خواب مبتنی بر تغییرات ضربان قلب از الکتروکاردیوگرافی مورد استفاده برای نظارت منظم بیمار قرار گرفتیم. ما وضعیت های فعال و آرام خواب نوزادان نارس را بین 30 تا 37 سالگی بررسی کردیم که یک هفته پس از قاعدگی است. برای تعیین حالت خواب، ما یک ماشین بردار پشتیبانی از هسته غیرخطی برای جداسازی وضعیت خواب بر اساس ویژگی های تغییر پذیری ضربان قلب استفاده کردیم. ما از جریمه های نامناسب و غیرواقعی برای توزیع نامتقارن بین حالت های خواب استفاده کردیم. اعتبار سنجی با اعتبارسنجی مجدد یک برش بر اساس حاشیه نویسی سه ناظر مستقل انجام شد. ما عملکرد طبقه بندی را با منحنی های گیرنده گیرنده بررسی کردیم که منجر به حداکثر میانگین برای منطقه تحت منحنی 0.87 شد. با استفاده از روش های جداسازی حالت خواب، ما نشان می دهیم که جداسازی وضعیت خودکار خواب فعال و آرام بر اساس تغییرات ضربان قلب در نوزادان نارس ممکن است امکان پذیر باشد.
موضوعات مرتبط
علوم پزشکی و سلامت پزشکی و دندانپزشکی زنان، زایمان و بهداشت زنان
پیش نمایش مقاله
ارزیابی غریزی از وضعیت خواب نوزادان مبتنی بر تغییرپذیری ضربان قلب از الکتروکاردیوگرافی مورد استفاده برای نظارت منظم بیمار
چکیده انگلیسی
As an approach of unobtrusive assessment of neonatal sleep state we aimed at an automated sleep state coding based only on heart rate variability obtained from electrocardiography used for regular patient monitoring. We analyzed active and quiet sleep states of preterm infants between 30 and 37 weeks postmenstrual age. To determine the sleep states we used a nonlinear kernel support vector machine for sleep state separation based on known heart rate variability features. We used unweighted and weighted misclassification penalties for the imbalanced distribution between sleep states. The validation was performed with leave-one-out-cross-validation based on the annotations of three independent observers. We analyzed the classifier performance with receiver operating curves leading to a maximum mean value for the area under the curve of 0.87. Using this sleep state separation methods, we show that automated active and quiet sleep state separation based on heart rate variability in preterm infants is feasible.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Early Human Development - Volume 113, October 2017, Pages 104-113
نویسندگان
, , , , , , ,