메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Erdenebayar Urtnasan (Huree University) Jong-Uk Park (Yonsei University) SooYong Lee (Yonsei University) Kyoung-Joung Lee (Yonsei University)
저널정보
한국지능시스템학회 INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS Vol.17 No.2
발행연도
2017.6
수록면
76 - 81 (6page)
DOI
10.5391/IJFIS.2017.17.2.76

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
This study is to find the optimum classifier that can be easy and robust diagnostic method of the obstructive sleep apnea (OSA) using a heartbeat signal. The heartbeat signal was acquired from the 92 patients with OSA. The dataset consists 98,060 epochs, from them the training sets contained 68,642 epochs from the 63 OSA patients and test sets contained 29,418 epochs from the 29 OSA patients, respectively. The heartbeat signal was analyzed in the time and frequency domain and six features were extracted (normal-to-normal [NN], standard deviation of mean NN [SDNN], root mean square of successive differences [rMSSD], low-frequency [LF], high-frequency [HF], and LF/HF ratio). All extracted features were used to train the following classifiers: linear discriminant analysis (LDA), decision tree (DT), logistic regression (LR), k-nearest neighbor (KNN) and support vector machine (SVM). The top three classifiers (SVM, DT, and LDA) showed the accuracy of 93.2%, 93.2%, and 93.2% for test sets, respectively. Then, the top three classifiers could be effective on sleep studies and OSA detections.
#Obstructive sleep apnea #Machine learning #SVM #LR #DT #LDA #KNN

목차

Abstract
1. Introduction
2. Method
3. Experiment Result
4. Conclusions
References

참고문헌 (16)

참고문헌 신청
S. P. Patil, H. Schneider, A. R. Schwartz, and P. L. Smith, “Adult obstructive sleep apnea: pathophysiology and diagnosis,” Chest, vol. 132, no. 1, pp. 325-337, 2007. https://doi.org/10.1378/chest.07-0040 V. Kapur, K. P. Strohl, S. Redline, C. Iber, G. O’Connor, and J. Nieto, “Underdiagnosis of sleep apnea syndrome in U.S. communities,” Sleep Breath, vol. 6, no. 2, pp. 49-54, 2002. https://doi.org/10.1055/s-2002-32318 K. Banno and M. H. Kryger, “Sleep apnea: clinical investigations in humans,” Sleepmedicine, vol. 8, no. 4, pp. 400-426, 2007. https://doi.org/10.1016/j.sleep.2007.03.003 H. M. Engleman and N. J. Douglas, “Sleep??4: sleepiness, cognitive function, and quality of life in obstructive sleep apnoea/hypopnoea syndrome,” Thorax, vol. 59, no. 7, pp. 618-622, 2004. https://doi.org/10.1136/thx.2003.015867 F. Lopez-Jimenez, F. H. S. Kuniyoshi, A. Gami, and V. K. Somers, “Obstructive sleep apnea: implications for cardiac and vascular disease,” Chest, vol. 133, no. 3, pp. 793-804, 2008. https://doi.org/10.1378/chest.07-0800

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Deep Convolutional Neural Neural Network for Automatic Detection of Sleep Apnea-Hypopnea Syndrome
E ,  denebaya ,  U 외 5명 대한전자공학회 학술대회 2017 .06
센서와 사용자 정보를 이용한 수면 환경 개선
신성윤 ,  이양원 한국컴퓨터정보학회논문지 2011 .01

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-003-001014411