Метод и система удаленного мониторинга апноэ сна тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Чан Чонг Хыу

• Чан Чонг Хыу
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Чан Чонг Хыу

1.3. Методы и системы мониторинга апноэ сна и проблемы их реализации

1.4. Проблемы обработки биомедицинских сигналов

1.5. Формирование цели, объекта и задач исследований

ГЛАВА 2: РАЗРАБОТКА СИСТЕМЫ ДЛЯ УДАЛЕННОГО МОНИТОРИНГА СОСТОЯНИЯ ДЫХАНИЯ ПАЦИЕНТА С АПНОЭ СНА

2.1. Формирование признаков и выбора биосигналов для мониторинга дыхания пациента для выявления эпизодов апноэ сна

2.2. Формирование комплекса диагностически значимых показателей для выявления эпизодов апноэ сна

2.3. Требования, необходимые для разработки системы удаленного мониторинга апноэ сна

2.4. Функциональная модель и обобщенная структура системы удаленного мониторинга состояния дыхания пациента

2.5. Методика удаленного мониторинга состояния дыхания пациента для выявления эпизодов апноэ сна

2.6. Диагностика апноэ сна вне лечебного учреждения

2.7. Выводы по главе

ГЛАВА 3: МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ БИОМЕДИЦИНСКИХ

СИГНАЛОВ И АНАЛИЗА ДАННЫХ

3.1. Алгоритм фильтрации биомедицинских сигналов на основе дискретного вейвлет-преобразования

3.2. Алгоритм непрерывного вейвлет-преобразования при непрерывном поступлении данных

3.3. Алгоритмы обнаружения характерных точек биомедицинских сигналов

3.4. Алгоритм расчета спектральных показателей вариабельности сердечного ритма и вариабельности дыхательных компонент на основе

вейвлет-преобразований

3.5. Алгоритм выявления эпизодов апноэ сна

3.6. Выводы по главе

ГЛАВА 4: РАЗРАБОТКА ЭКСПЕРИМЕНТАЛЬНОЙ СИСТЕМЫ УДАЛЕННОГО МОНИТОРИНГА АПНОЭ СНА И ЕГО ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ

4.1. Структура устройства пациента

4.2. Апробация алгоритма фильтрации биомедицинских сигналов

4.3. Апробация алгоритмов обнаружения характерных точек биомедицинских сигналов

4.4. Апробация алгоритма выявления эпизодов апноэ сна

4.5. Программа диагностики апноэ сна на смартфоне пациента

4.6. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Метод и система удаленного мониторинга апноэ сна»

АКТУАЛЬНОСТЬ ТЕМЫ

Апноэ сна (АС) остается одной из значимых медико-социальных проблем не только в Российской Федерации, но и во всем мире. Оно является одним из основных факторов увеличения риска сердечно-сосудистых заболеваний, гипертонии, инфаркта, инсульта и внезапной смерти во сне [1-8]. Диагностика АС в клинических условиях имеет недостатки из-за ограниченности количества сомнологических центров и трудоёмкой подготовки к проведению длительных исследований [1, 8-11]. Поэтому задача совершенствования инструментальных средств и методов мониторинга дыхательной системы пациентов для выявления АС вне лечебного учреждения становится актуальной по всему миру [9, 12-15].

Степень разработанности темы

В последние время вопросам разработки систем и инструментальных средств удаленного мониторинга дыхательной системы, позволяющих выявлять эпизоды АС вне лечебного учреждения, стали уделять повышенное внимание [13-15]. При разработке таких систем, инструментов необходимо системно походить к обоснованию и выбору показателей, значимых для диагностики АС, методов регистрации биомедицинских сигналов в процессе сна пациента, методов обработки и анализа биосигналов и данных, которые позволили бы дифференцировать типы апноэ, повышению точности, чувствительности и специфичности метода диагностики. К сожалению, сегодня отсутствуют работы, которые позволили бы обобщить опыт построения таких систем, предложить принципы построения систем выявления эпизодов АС при мониторинге системы дыхания пациента вне лечебного учреждения.

В условиях вне лечебного учреждения, существующие методы выявления АС обеспечивают чувствительность не более 91%, специфичность - не более 90%, точность диагностики - не более 89,3%. Такие результаты получены при классификации АС без дифференциации (различения) обструктивного АС (ОАС) или центрального АС (ЦАС) от состояния нормы или гипопноэ [16-20].

Поэтому для повышения точности и достоверности выявления эпизодов и типов АС требуется анализ динамики показателей различных систем организма человека при проведении длительных наблюдений состояния пациентов во время сна. Для повышения точности и достоверности выявления эпизодов АС требуется анализ результатов длительных наблюдений дыхания пациента во время сна, изменения показателей деятельности сердечно-сосудистой системы, центральной нервной системы, системы дыхания. Изучение характера изменения таких показателей вне лечебного учреждения ограничивается используемым инструментальным обеспечением: отсутствует возможность использования в домашних условиях технических средств полисомнографии. В этой связи необходимо сформировать комплекс показателей биомедицинских сигналов (БМС) и диагностически значимых показателей (ДЗП), которые позволили бы выявлять нарушения дыхания человека и различать типы нарушений по сигналам ЭКГ, дыхания, фотоплетизмограммы.

Перечисленные недостатки известных систем и средств, а также потребность в современных технических средствах, основанных на неинвазивных методах исследования, обуславливают потребность в разработке методов и технических средств удаленного мониторинга системы дыхания пациента, позволяющих детально изучить механизм развития АС.

Цель диссертационного исследования: разработка метода и системы удаленного длительного непрерывного мониторинга состояния дыхательной системы вне лечебного учреждения и выявления эпизодов апноэ сна на основе оценки деятельности сердечно-сосудистой системы пациента.

Объектом диссертационного исследования является система удаленного длительного непрерывного мониторинга вне лечебного учреждения состояния дыхания пациента и выявления апноэ сна.

Предметом диссертационного исследования являются компоненты информационного, методического, инструментального и программно-алгоритмического обеспечение системы удаленного длительного мониторинга состояния дыхания пациента для выявления эпизодов апноэ сна.

Для достижения цели исследования сформулированы и решены следующие задачи исследования:

1. Выбор и обоснование БМС для диагностики АС на основе анализа деятельности сердечно-сосудистой и дыхательной системы пациента;

2. Формирование комплекса значимых показателей для оценки состояния здоровья и выявления эпизодов АС;

3. Разработка концепции и обобщенной структуры пространственно-распределенной системы мониторинга состояния дыхания пациентов для выявления эпизодов АС;

4. Разработка методики удаленного мониторинга АС;

5. Разработка комплекса алгоритмов для обработки и анализа БМС для выявления эпизодов АС;

6. Экспериментальная апробация разработанного метода и системы длительного мониторинга и выявления эпизодов АС.

Научная новизна исследования 1. На основе модели патофизиологии АС обоснован выбор БМС (элек-трокардиосигнала (ЭКС), сигнала пульсовой волны (СПВ) и сигнала дыхательных движений (СДД)) для мониторинга вне лечебного учреждения состояния дыхания пациента, сформирован комплекс диагностически значимых показателей, отражающих изменение биосигналов при эпизодах АС во временной и частотной области, для выявления эпизодов АС и дифференциации их по типу. Эти показатели: дисперсия ЯЯ интервала, дисперсия интервала дыхательной компонент (ДК), определяющих по амплитудам Я-зубца ЭКС, дисперсия задержки времени t между Я-зубцом ЭКС и точкой максимума СПВ, когерентность ЬРвср/НРвср для ЯЯ-интервалов, когерентность

^вдк/^вдк для ДК-интервалов, мощность составляющих спектра сигнала дыханий.

2. Разработаны концепция построения и алгоритм работы системы мониторинга дыхания пациента для выявления эпизодов АС вне лечебного учреждения, использующий интеллектуальный режим работы измерительных каналов, алгоритмов обработки и анализа БМС, комплексирование ДЗП для выявления эпизодов АС.

3. Разработаны алгоритмы обработки биосигналов на основе вейвлет анализа для:

— фильтрации БМС в режиме реального времени для оценки частотных характеристик ДЗП АС, позволяющие уменьшить искажение сигнала, увеличить отношение сигнал/помеха. Алгоритм основан на комплексировании пакетного алгоритма дискретного вейвлет преобразования при использовании одного разложения исходного сигнала и алгоритма нерекурсивной фильтрации;

— выделения характерных точек БМС в режиме реального времени с учетом удаления краевых эффектов для оценки временных характеристик значимых показателей АС. Алгоритмы позволяют повысить точность выявления R- зубца ЭКС и точки максимума пульсовой волны для оценки времени задержки с использованием порогов, адаптирующихся с учетом изменения предыдущего цикла сигнала.

4. Разработан алгоритм выявления эпизодов АС вне лечебного учреждения, основанный на оценке интегрального показателя, учитывающий комплекс ДЗП биосигналов во временной и частотной области при обработке одноминутных фрагментов БМС. Алгоритм позволяет повысить точность выявления и дифференциации эпизодов АС.

Теоретическая и практическая значимость работы.

Теоретическая значимость результатов диссертационной работы заключается в развитии методов длительного удаленного непрерывного мониторинга апноэ и теоретических основ построения систем для их реализации, модели многоуровневой оценки кардио-респираторной деятельности, формировании комплекса показателей, значимых для выявления эпизодов АС, получении новых знаний о методах оценки АС и состояния здоровья пациента на основе комплексирования показателей ЭКС, СПВ и усиленных дыхательных сигналов для длительного мониторинга состояния пациента вне лечебного учреждения.

Практическая значимость результатов диссертационной работы заключается в разработке алгоритмов обработки БМС системы и анализа диагностически значимых показателей АС, разработке индуктивного датчика дыхания для регистрации сигналов дыхания во время сна пациента, разработке алгоритмов фильтрации сигналов и обнаружения характерных точек БМС на основе вейвлет-анализа, разработке алгоритма выявления эпизодов АС, разработке программного обеспечения на платформе Android, экспериментальной апробации предложенных технических решений.

Методы исследования: в работе использованы методы системного анализа, статистические методы, методы опорных векторов, методы фильтрации биосигналов, методы обнаружения характерных точек БМС, методы вейвлет-анализа.

Научные положения, выносимые на защиту

При разработке системы удаленного мониторинга состояния дыхания пациента для выявления эпизодов апноэ сна вне лечебного учреждения необходимо использовать:

— многоуровневую пространственно-распределённую систему мониторинга АС на базе устройства пациента с каналами регистрации ЭКС, СПВ и СДД;

— Алгоритм фильтрации БМС, включающих ЭКС, СПВ и СДД для оценки частотных показателей БМС, значимых для выявления АС, и алгоритмы on-line обнаружения характерных точек БМС на основе вейвлет-ана-лизе для оценки временных показателей БМС, значимых для выявления эпизодов АС с высокой точностью;

— алгоритмы выявления эпизодов АС и дифференциации их по типу по комплексу диагностически значимых показателей ЭКС, СПВ и СДД по одноминутным фрагментам БМС.

Апробация результатов работы

Основные результаты диссертационной работы докладывались и обсуждались на научно-технических конференциях: международной конференции 2018 IEEE North West Russia Section Young Researchers in Electrical and Electronic Engineering Conference - 2018 ElConRus (СПб., 2018г.); XII международной научной конференции «Физика и радиоэлектроника в медицине и экологии» - ФРЭМЭ'2016 (Владимир-Суздаль, 2016г.); XXI международной конференции по мягким вычислениям и измерениям - SCM'018 (СПб., 2018г.); III международной конференции «Человеческий фактор в сложных технических системах и средах» - Эрго'2018 (СПб., 2018г.); Всероссийской школе-семинаре «Методы компьютерной диагностики в биологии и медицине» (Саратов, 2015г.); XII международном конгрессе «Кардиостим» (СПб, 2016г.); юбилейной XXX Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские, экологические системы и робототехнические комплексы» - Биомедсистемы'2017 (Рязань, 2017г.); XII международном междисциплинарном конгрессе «Нейронаука для медицины и психологии» (Судак, 2016г.); V научно-практической конференции с международным участием «Наука настоящего и будущего» для студентов, аспирантов и молодых ученых (СПб., 2017г.); III и IV международной научно-технической конференции студентов, молодых ученых и специалистов «Энергосбережение и эффективность в технических системах» (Тамбов, 2016-

2017гг.); юбилейной научной сессии «От трансляционных исследований - к инновациям в медицине», посвященной 35-летию ФГБУ «Национальный медицинский исследовательский центр им. В.А. Алмазова» Минздрава России (СПб., 2015г.); научно-технической конференции СПбНТОРЭС им. А.С.Попова (СПб., 2015-2017гг.).

Внедрение результатов работы

Научные и практические результаты работы использовались при выполнении следующих НИР и НИОКР: Грант РФФИ № 16-07-00599 «Модели, методы и система интеллектуального телемедицинского мониторинга состояния здоровья человека и прогнозирования обострения заболеваний»;

Разработанный в рамках исследования метод удаленного непрерывного мониторинга АС используется в учебном процессе кафедры Биотехнических систем СПбГЭТУ «ЛЭТИ» при проведении практических занятий по дисциплине «Реабилитационные системы и технологии».

Публикации

По теме диссертации опубликовано 25 научные работы. Из них 4 статьи опубликованы в изданиях, рекомендованных ВАК, 2 статьи в научных изданиях из базы данных Scopus, 1 статья в прочих научных изданиях, получены 3 свидетельства на регистрацию программ для ЭВМ, 1 5 работ опубликованы в материалах международных и российских научно-технических конференций.

ГЛАВА 1: ПРОБЛЕМА ДЛИТЕЛЬНОГО МОНИТОРИНГА СОСТОЯНИЯ ЗДОРОВЬЯ ПАЦИЕНТОВ С АПНОЭ СНА

1.1. Апноэ сна и необходимость проведения диагностики в домашних условиях

Апноэ сна характеризуется нарушением структуры сна, дневной сонливостью, ухудшением памяти и интеллекта, жалобами на снижение работоспособности и постоянную усталость. Перечисленные проявления являются следствием симптома ночной гипоксемии. Систематическая гипоксемия вызывает развитие риска внезапной смерти и развитие сердечно-сосудистых нарушений: артериальной гипертензии, ишемии миокарда и головного мозга [1-8, 2124]. Многочисленные исследования в РФ и за рубежом доказали, что существует четкая связь синдрома АС и сердечно-сосудистых заболеваний [1-5, 78, 11].

Основные факторы риска развития АС разнообразны. Например, это может быть ожирение, пол, возраст, национальность, наследственная предрасположенность, гипотиреоз, черепно-лицевое строение, нездоровый образ жизни, сопутствующие заболевания [1, 22, 25-31]. Масса тела и характер распределения жира в организме человека влияют на наличие АС особенно обструктив-ного типа, и по статистике у больше 40% пациентов с ОАС имеют избыточный вес. Факторы влияния носовой обструкции на АС проявляются по-разному, например, повышение отрицательного давления, возникающего вследствие дыхательных усилий против частичной окклюзии носовых ходов, турбулентности, носовые рефлексы и храп из-за отёка мягких тканей верхних дыхательных путей [5].

В настоящее время во всем мире отмечается увеличение количества людей, страдающих заболеванием АС. У взрослых людей старше 65 лет наблюдалось увеличение количеств пациентов с АС на 20-41% [1, 10, 22, 27, 31]. Различные данные исследования в мире выявили распространенность АС в разных этнических и национальных группах. В работе [26] показывали, что 10,1%

корейских мужчин, в том числе в 4,5% случаев тяжелого типа и в 4,7% у корейских женщин от общего числа обследованных страдают АС. Исследование в работе [28-29] показало, что во Вьетнаме 5,2% населения страдают АС. Европейское респираторное общество оценивает распространенность заболевание АС в общей популяции в пределах 5 - 7% [11]. Клинические исследования показали, что у пациентов среднего возраста с среднетяжелые и тяжелые формы обструктивного АС встречаются в 15-17% случаев у мужчин, а в 8 -9% случаев среди женщин [23]. По данным работы [6, 8] при многолетних исследованиях АС, в США распространенность синдрома типа ОАС составляла 9% у женщин и 24% у мужчин. А апноэ с среднетяжелой и тяжелой формой встречались у 4% женщин и у 9% мужчин. В работе [8, 21] эпидемиология АС составляет 12% взрослого населения США. Данные, полученные специалистами РФ при исследовании распространенности ОАС среди российских граждан, отличают от зарубежных исследований. По результатам исследования в лаборатории сна санатория «Барвиха» в 7,9% случаев пациентов был выявлен ОАС. Из них по типу ОАС легкая степень встречалась в 3,1%, среднетяжелая - в 2,7%, тяжелая - в 2,1% случаев [1, 10].

Проведенный анализ изученных данных показывает неоднозначные результаты по распространенности пациентов с АС среди населения всем мире. Отчетливая тенденция к росту этой патологии с возрастом, и у пациентов старше 65 лет проявление АС, особенно обструктивной формы, уже может достигать 60% [7]. Поэтому, диагностика дыхательных расстройств во время сна, в том числе АС, стала достаточно серьёзным направлением науки и практической медицины из-за их широкой распространённости среди населения, многих сопутствующих заболеваний и высокого экономического ущерба. Несмотря на то, что апноэ - сложнейшая патология, для ее диагностики предложены обоснованные, эффективные и целесообразные методы, проведенные в стационарных или домашних условиях с различной точностью.

Золотым стандартом полной диагностики АС в стационарных условиях является полисомнография, позволяющая провести дифференциальную диагностику обструктивного и центрального АС, и также гипопноэ, и оценить тяжесть заболевания и состояния здоровья пациентов при оценке различных физиологических параметров человеческого организма во время сна [1, 10, 31]. Для проведения диагностики АС используются следующие методы и каналы полисомнографии:

- электроэнцефалография, оценивающая состояния электрической активности клеток головного мозга;

- электрокардиография, оценивающая функции сердечно-сосудистой системы;

- гемоксиметрия, оценивающая насыщение крови кислородом;

- оценка тяжести храпа пациента;

- исследование нервно-мышечной проводимости;

- исследование потока дыхания;

- исследование движения грудного и брюшного дыхания;

- электромиография, оценивающая положение всего тела и неконтролируемые движения ног и рук;

- исследование тонуса мышц полости рта, который оценивается с помощью датчиков, расположенных по основным точкам лица - у подбородка, в области жевательных и субментальных мышц;

- электроокулография, оценивающая движение глаз.

Помимо полисомнографии для диагностики апноэ сна в клинической практике используют кардио-респираторный мониторинг, который отличается от полисомнографии тем, что регистрирует только ЭКГ-сигнал, сатурацию, пульс и дыхательные каналы (потоки дыхания и сигналы дыхательных движений).

Таким образом, кардио-респираторный мониторинг не позволяет оценить структуру сна пациента. В диагностике ОАС не всегда принципиально

исследовать деструктурирование сна, так как специфичность и чувствительность кардио-респираторного мониторинга достаточно высока для выявления средних и тяжелых форм апноэ сна [32].

Процесс диагностики АС в стационарных условиях выглядит следующим образом: пациента размещают на ночь в лечебном учреждении. Во время сна к пациенту подключается регистрирующий комплекс, собирающий данные о различных физиологических показателях, передающий их в компьютеризованный контрольный пункт, в котором за состоянием пациента постоянно наблюдает медперсонал. Далее данные о состоянии здоровья пациента расшифровываются. Лечащий врач представляют диагностические заключения и рекомендации по дальнейшему лечению пациента.

Известно, что указанный метод является дорогостоящим и трудоемким, выполнение его должно быть обосновано диагностической целесообразностью. Количество специализированных сомнологических центров для выполнения этих исследований ограничено не только в России, но и во всем мире [910]. Еще один недостаток полисомнографии заключается в том, что она проводится в искусственных для пациента условиях — в лаборатории сна. Полученные данные могут не соответствовать тому, как пациент спит в домашних условиях. Внешние раздражители, обычно мешающие нормальному сну пациента, могут отсутствовать в лаборатории сна, что препятствует объективной оценке проблем дыхания пациента во время сна [10, 33].

Диагностика расстройств сна на основе полисомнографии в течение одной ночи является обычной практикой, некоторые специалисты предупреждают, что лучше проводить более одного исследования, поскольку по прошествии времени пациент адаптируется к незнакомому окружению, и его сон по комфортности становится более приближенным к домашним условиям [33]. Максимальный дискомфорт пациент испытывает в первую ночь нахождения в лечебном учреждении. Следующая проблема заключается в том, что

параметры полисомнографии могут варьироваться от ночи к ночи. Эти вариации особенно значимы у пациентов АС с неярко выраженными нарушениями, например при легкой степени.

Результаты полисомнографии в значительной степени зависят от используемых при проведении исследования оборудования, используемых методов обработки и анализа результатов специалистами. Хорошо известно, что результаты полисомнографического исследования обычно варьируют от лаборатории к лаборатории. В этом заключается еще один недостаток данного метода исследования.

В заключении можно отметить, что из-за увеличения количества людей, страдающих АС, и, в частности, с невыявленной формой заболевания, имеется потребность в совершенствовании инструментальных средств и методов для диагностики АС. Из-за ограничений сомнологиче-ских центров и недостатков полисомнографического метода, позволяющего проводить исследования только в стационарных условиях, сегодня высока потребность в инструментальных средствах для диагностики АС дома, а именно, для мониторинга АС в течение длительного времени вне лечебного учреждения.

1.2. Инструментальные средства и методы диагностики апноэ сна в домашних условиях и необходимость удаленного мониторинга

Сегодня во всем мире есть понимание важности и целесообразности проведения исследований, разработки систем и методов диагностики АС в домашних условиях, основанных на различных алгоритмах обработки и анализа биосигналов. Большинство таких исследований проводилось зарубежными исследователями с использованием до восьми каналов регистрации различных БМС для получения дополнительной информации, обеспечивающей оценку качества сна и обнаружения апноэ.

В работе [34] авторы применили вейвлет-преобразования и алгоритм искусственной нейронной сети к сигналу ЭЭГ для выявления эпизодов АС. При эпизодах АС ЭЭГ- сигнал смещается выше полосы частот дельта волн. Затем сонная ЭЭГ-активность переходит из диапазона дельта-волн в полосу частот тета и альфа-волн в диапазоне от 4 ~ 14 Гц один раз в конце эпизода АС. При классификации эпизодов АС чувствительность достигала примерно 69,64%, а специфичность - приблизительно 44,44%.

Сатурация (SpO2) может быть полезным каналом в диагностике синдрома АС [35-39]. Ряд исследований [36-39] на основе LDA, ADT классификации или нейронной сети (NN) в режиме on-line [36, 39] или off-line [35-36] показали, что точность выявления эпизодов исключительно ОАС достигает 89,3%, специфичность до 82% чувствительность до 89%.

Из-за явления десатурации, активирующей симпатическую нервную систему, была выявлена взаимосвязь между периодическими изменениями в SpO2 и в структуре ЭЭГ при эпизодах апноэ в ночное время [40]. Комбинированный спектральный анализ этих двух сигналов обеспечил классификацию АС с чувствительностью 91%, специфичностью 83,3% и точностью 88,5% исключительно для ОАС.

Показано, что храп является проявлением у людей синдрома ОАС из-за закрытия верхних дыхательных путей. Следовательно, храп является эффективным признаком диагностики ОАС [41-43]. Метод оценки формообразующих сигналов храпа наиболее широко используется для выявления ОАС и возможности отличия гипопноэ. Чувствительность метода достигает до 90%, а специфичность до 89,67%.

Общее движение тела при диагностике эпизодов АС исследовалось с использованием двух инфракрасных видеокамер Sony (DCR-HC30E), формирующих 10 видеоклипов с трех разных точек зрения. Движение тела возможно использовать для обнаружения ненормального дыхания и для диагностики ОАС [44]. В этом случае эффективность метода не рассмотрена.

Устройство SleepStripTM, в котором используются два датчика потока (ротовые и носовые термисторы), может быть эффективным для диагностики ОАС. Для всех образцов вместе взятых, значения чувствительности и специфичности варьировались от 80 - 86% и 57 - 86% соответственно [19]. В работе [45] предложен автоматизированный подход к выявлению наличия апноэ во сне на основе акустического сигнала дыхания. Характеристика звука дыхания была выявлена с помощью алгоритма детектирования голосовой активности (VAD), который используется для измерения энергии акустического дыхательного сигнала во время дыхания и задержки дыхания. Точность данного метода, не позволяющего отличить гипопноэ от нормы, может достигать до 87%.

Результаты исследований показывают, что обнаружение ОАС возможно с использованием анализа RR-интервалов, полученных по СПВ [46], или по ЭКС [17] по динамике сердцебиения. В работе [17] показали, что выявление эпизодов АС возможно обеспечить с использованием специальных алгоритмов при оценке статистических и спектральных показателей вариабельности сердечного ритма (ВСР) и вариабельности дыхательных компонент (ВДК) из ЭКС. Такие алгоритмы могут распознавать эпизоды АС пациентов с точностью 85%. Эти подходы позволяют отличить эпизоды гипопноэ/ОАС от нормы, но не позволяют отличать эпизоды гипопноэ от ОАС.

Для анализа характера сна в работе [47] одновременно исследовались записи ЭКГ и SpO2. Авторы анализировали различные наборы показателей из ЭКС и SpO2, и их сочетания для выявления эпизодов только ОАС. Предложенный в этой работе метод диагностики обеспечил для выявления ОАС при классификации EP Tree чувствительность не менее 79,75%, специфичность -85,89% и общую точность - 84,40%.

Первые успешные попытки выявить взаимосвязь между мощностями спектров ЭЭГ и ЭКГ сигналов при обнаружении СОАС во время сна представлены в работе [48]. Соответствие между этими двумя сигналами на различных

диапазонах частот (0-128 Гц) было оценено до, вовремя и после каждого эпизода ОАС (с / без пробуждений пациента) в сочетании фаз сна NREM и REM.

В работе [18] при комбинированном спектральном анализе изменения SpO2 и ЭЭГ в течение ночи выявились эпизоды ОАС. Результаты исследования показывают, что использование этого метода для выявления ОАС обеспечило чувствительность около 91%, специфичность 83,3% и точность 88,5%.

Прибор ApneaLink Plus Home, предназначенный для диагностики АС в домашних условиях, является одним из образцовых приборов [20]. Данный прибор регистрирует до четырех сигналов (носовой поток, пульс, сатурация и дыхательный сигнал), позволяет выявить эпизоды ОАС, ЦАС и гипопноэ. При сравнении эффективности диагностики АС с полисомнографией, ApneaLink является точным и надежным устройством для диагностики ОАС, обнаруживает ЦАС. Выяснилось, что эффективность качества сна и индекс возбуждения влияют на результаты диагностики прибора.

Список литературы диссертационного исследования кандидат наук Чан Чонг Хыу, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Бузунов Р.В., Легейда И.В., Царева Е.В. Храп и синдром об-структивного апноэ сна у взрослых и детей // ФГБУ «Клинический санаторий Барвиха». М., 2013г., 124 с.

2. Ростороцкая В.В. Артериальная гипертензия и синдром обструк-тивного апноэ сна: резистентность к лечению и роль дисфункции вегетативной нервной системы // Кардиоваскулярная терапия и профилактика. 2012г., № 5, с.11-17.

3. Свиряев Ю.В. Синдром обструктивного апноэ во сне у больных с артериальной гипертензией и ожирением. Автореферат дис. докт. мед. наук: ФГУ «Федеральный центр сердца, крови и эндокринологии имени В.А. Алма-зова. Санкт-Петербург, 2010г.

4. Голухова Е.З., Малиованова И. М., Какучая Т.Т. Нарушение ритма сердца при синдроме обструктивного апноэ сна: клиника, диагностика и лечение // Анналы аритмологии. 2006г., №6, с. 66-71.

5. Бокерия Л.А., Меликулов А.Х., Глушко Л.А. Обструктивное апноэ сна и внезапная смерть // Анналы аритмологии. 2010г, №2, с.15-23.

6. Нието Х., Пеппард П., Янг Т. Клиническое значение проблемы апноэ сна. Дизайн и основные выводы из Висконсинского когортного исследования // Доктор. Ру. 2014г., № 9 (97), с. 60-64.

7. Галактионов Д.А. Состояние сердечно-сосудистой системы у больных с синдромом обструктивного апноэ во время сна различной степени выраженности // Диссертация на соискание ученой степени кандидата медицинских наук. Санкт-Петербург, 2017г.

8. Watson N.F. Health care savings: the economic value of diagnostic and therapeutic care for obstructive sleep apnea //Journal of clinical sleep medicine: JCSM: official publication of the American Academy of Sleep Medicine. 2016, Vol.12 (8), pp.1075-1077.

9. Yuldashev Z.M., Sadykova E.V., Tran T.H. A microprocessor system for diagnosis of sleep apnea // Biomedical Engineering. 2017, Vol.50 (5), pp. 328-332.

10. Российское общество сомнологов // http://rossleep.ru

11. Lindberg E. Epidemiology of OSA // European Respiratory Monograph, UK.: Copyright ERS. 2010, Chapter 4, pp. 51-68.

12. Sechang O., Hyeokjun K., and Vijay V. Ubiquitous health monitoring system for diagnosis of sleep apnea with Zigbee network and wireless LAN // Journal of Nanotechnology in Engineering and Medicine. 2011, Vol. 2 (2), 021008, DOI 10.1115/1.4003927.

13. Bsoul M., Minn H., Tamil L. Apnea MedAssist: real-time sleep apnea monitor using single-lead ECG // IEEE Transactions on Information Technology in Biomedicine. 2011, Vol. 15 (3), pp. 416-427.

14. Otero A., Dapena S., Felix P., Presedo J., Tarasco M. A low cost screening test for obstructive sleep apnea that can be performed at the patient's home // Proceedings of the 6th IEEE International Symposium on Intelligent Signal Processing. 2009, pp. 199-204.

15. Sechang O., Hyeokjun K., Vijay V. Ubiquitous health monitoring system for diagnosis of sleep apnea with Zigbee network and wireless LAN // Journal of Nanotechnology in Engineering and Medicine. 2011, Vol. 2 (2), 021008, DOI 10.1115/1.4003927.

16. Laiali Almazaydeh, Khaled Elleithy, Miad Faezipour A Panoramic Study of Obstructive Sleep Apnea Detection Technologies // International Conference on Computers and Their Applications CATA 28th. 2013.

17. Rishika Kaloniya, Pooja Sabherwal Sleep apnea syndrome detection techniques using ECG signal recordings - a survey approach // International Journal for Research in Applied Science & Engineering Technology (IJRASET). 2014, Vol. 2 (10), pp. 354-360.

18. Arthur Dawson, Richard T Loving Type III home sleep testing versus pulse oximetry: is the respiratory disturbance index better than the oxygen desaturation index to predict the apnoea-hypopnoea index measured during laboratory polysomnography // BMJ Open. 2015, Vol. 5 (6), e007956, DOI: 10.1136/bmjopen-2015-007956.

19. Shochat T., Hadas N., Kerkhofs M., et al. The Sleepstriptm: an ap-noea screener for the early detection of sleep apnoea syndrome // European Respiratory Journal. 2002, Vol. 19, pp. 121-126.

20. Cho JH, Kim HJ. Validation of ApneaLink™ Plus for the diagnosis of sleep apnea. // Sleep Breath. 2017, Vol. 21 (3), pp. 799-807, DOI: 10.1007/s11325-017-1532-3.

21. Pietzsch J.B. et al. An integrated health-economic analysis of diagnostic and therapeutic strategies in the treatment of moderate-to-severe obstructive sleep apnea // Sleep. 2011, Vol. 34 (6), pp. 695-709.

22. Young T., Peprad P., Palta M., Hla K.M., Finn L., Morgan B., Skatrud J. Population-based study of sleep-disordered breathing as a risk factor for hypertension // Arch. Intern. Med.. 1997, Vol. 157, pp. 1746- 1752.

23. Peppard P.E. et al. Increased prevalence of sleep-disordered breathing in adults // The American journal of epidemiology. 2013, Vol. 177, pp. 1006-1014.

24. Duran J. et al. Obstructive sleep apnea-hypopnea and related clinical features in a population-based sample of subjects aged 30 to 70 yr. // American journal of respiratory and critical care medicine. 2001, Vol. 163, pp. 685-689.

25. Lloberes P. et al. Diagnosis and treatment of sleep apnea-hypopnya syndrome. Spanish Society of Pulmonology and Thoracic Surgery // Archivos de bronconeumologia. 2011, Vol. 47 (3), pp. 143-156.

26. Kim J. et al. Prevalence of sleep-disordered breathing in middle-aged Korean men and women // American journal of respiratory and critical care medicine. 2004, Vol. 170, pp. 1108-1113.

27. Lear S.A. et al. Visceral adipose tissue accumulation differs according to ethnic background: results of the Multicultural Community Health Assessment Trial (MCHAT) // The American journal of clinical nutrition. 2007, Vol. 86, pp. 353-359.

28. S. Duong-Quy et al. Study of Prevalence of OSA in Vietnam epsasie study // 3-rd ASEAN sleep congress. 20-22 November 2015.

29. Tran T.D.T et al. Obstructive sleep apnea syndrome: first experience of Pham Ngoc Thach Hospital - HCM city // J Fran Viet Pneu. 2011, Vol. 02 (05), pp. 81-85.

30. Ip M.S. et al. A community study of sleep-disordered breathing in middle-aged Chinese women in Hong Kong: prevalence and gender differences // Chest. 2004, Vol. 125(1), pp. 127-134.

31. Kapur V.K., Auckley D.H., Chowdhuri S. et al. Clinical Practice Guideline for Diagnostic Testing for Adult Obstructive Sleep Apnea: An American Academy of Sleep Medicine Clinical Practice Guideline // Journal of Clinical Sleep Medicine. 2017, Vol. 13 (3), pp. 479-504, DOI http://dx.doi.org/10.5664/jcsm.6506.

32. Калинкин А.Л. Диагностика синдрома обструктивного апноэ/ги-попноэ сна методом кардиореспираторного мониторинга // Функциональная диагностика. 2004.

33. [интернет-ресурс] ttp://cnsinfo.ru/encyclopaedia/diagnostics/po-tysomnograph/

34. Lin R., Lee R., Tseng C., Zhou H., Chao C., Jiang J. A new approach for identifying sleep apnea syndrome using wavelet transform and neural networks // Biomedical engineering: Applications, Basis & Communications. 2006, Vol. 18 (3), pp. 138-143.

35. Canosa M., Hernandez E., and Moret V. Intelligent diagnosis of sleep apnea syndrome // IEEE Engineering in Medicine and Biology Magazine. 2004, Vol. 23 (2), pp. 72-81.

36. Marcos J., Hornero R., Alvarez D., Campo F. del, and Aboy M.

Automated detection of obstructive sleep apnoea syndrome from oxygen saturation recordings using linear discriminant analysis // Medical & Biological Engineering & Computing. 2010, Vol. 48, pp. 895-902.

37. Almazaydeh L., Faezipour M., and Elleithy K. A neural network system for detection of obstructive sleep apnea through Spo2 signal features // (IJACSA) International Journal of Advanced Computer Science and Applications. 2012, Vol. 3 (5), pp. 7-11.

38. Burgos A., Goni A., Illarramendi A., and Bermudez J. Real-time detection of apneas on a PDA // IEEE Transactions on Information Technology in Biomedicine. 2010, Vol. 14 (4), pp. 995-1002.

39. Goni A., Burgos A., Dranca L., et al. Architecture, cost-model and customization of real-time monitoring systems based on mobile biological sensor data-streams // Computer Methods and Programs in Biomedicine. 2009, Vol. 96 (2), pp. 141-157.

40. Alvarez D., Hornero R., Marcos J., Campo F., Lopez M. Spectral analysis of electroencephalogram and oximetric signals in obstructive sleep apnea diagnosis // Proceedings of the 31-st IEEE International Conference on Engineering in Medicine and Biology Society (EMBS 2009). 2009, pp. 400-403.

41. Zhao Y., Zhang H., Liu W., Ding S. A snoring detector for osahs based on patient"s individual personality // 3rd International Conference in Awareness Science and Technology (iCAST). 2011, pp. 24-27.

42. Andrew K., Tong S., et al. Could formant frequencies of snore signals be an alternative means for the diagnosis of obstructive sleep apnea // Sleep Medicine. 2008, Vol. 9, pp. 894-898.

43. Andrew K., Koh T., Baey E., et al. Speech-like analysis of snore signals for the detection of obstructive sleep apnea // International Conference on Biomedical and Pharmaceutical Engineering (ICBPE 2006). 2006, pp. 99-103.

44. Wang C., Ahmed A., Hunter A. Vision analysis in detecting abnormal breathing activity in application to diagnosis of obstructive sleep apnea // Proceedings of the 28th IEEE International Conference on Engineering in Medicine and Biology Society (EMBS 2006). 2006, pp. 4469-4473.

45. Almazaydeh Laiali e. et Apnea Detection based on Respiratory Signal Classification // Procedia Computer Science. 2013, Vol. 21, pp. 310-316.

46. Angius G., Raffo L. A Sleep apnoea keeper in a wearable device for continuous detection and screening during daily life // Computers in Cardiology. 2008, pp. 433-436.

47. Xie B., Minn H. Real time sleep apnea detection by classifier combination // IEEE Transactions on Information Technology in Biomedicine. 2012, Vol. 16 (3), pp. 469-477.

48. Khandoker H., Karmaker K., and Palaniswami M. Analysis of coherence between sleep EEG and ECG signals during and after obstructive sleep apnea events // Proceeedings of 30th IEEE International Conference on Engineering in Medicine and Biology Society (EMBS 2008). 2008, pp. 3876-3879.

49. Stuart M. Sleep apnea devices: the changing of the guard // STARTUP journal. 2010, Vol. 15 (10), pp. 1-8.

50. Habul M., Hallmark R., Kotlyanskiy A., Parejk P., and Kamoua R. Sleep apnea diagnosis device // Proceedings of 2011 IEEE Long Island conference in Systems Applications and Technology (LISAT). 2011, pp. 1-5.

51. Юсееге М., Фират Х., Демир А., Ардик С. Эффективность аппарата Watch-PAT 200 при диагностике апноэ во сне у водителей рейсовых автобусов // Эффективная фармакотерапия. Неврология спецвыпуск. 2014г., №22, c.50-57.

52. Ивахно Н.В., Прохорцов А.В., Сенина Е.Н., Федоров С.С. Способ регистрации движения грудной клетки при диагностике состояния сонного апноэ // Вестник новых медицинских технологий. 2014г., № 21(4), с.133-136, DOI: 10.12737/7286.

53. Горшков Ю.Г. Многоуровневый вейвлет-анализ звуков дыхания и храпа при выявлении синдрома обструктивного апноэ сна // Биомедицинская радиоэлектроника. 2016г., № 7, с.73-78.

54. Гришин В.Г., Гришин О.В., Нарымский Б.В. Разработка программно-аппаратного комплекса "Биомон" для дистанционного биомониторинга жизненно важных систем организма и физической активности человека, имеющего медицинское, спортивное и бытовое назначение // Сборник тезисов докладов Всероссийской конференции с международным участием индустриальные информационные системы - ИИС. 2015г., с.23-24.

55. Burgos A., Goni A., Illarramendi A., Bermudez J. Real-time detection of apneas on a PDA // IEEE Transactions on Information Technology in Bio-medicine. 2010, Vol.14(4), pp. 995-1002.

56. Варонецкас Г. Вариабельность сердечного ритма во время сна // Вестник Харьковского национального университета имени В.Н. Каразина. Серия «Медицина». 2002г., № 545, с.10-35.

57. Яблучанский Н.И. Вариабельность сердечного ритма // Харь-ков:КНУ. 2010г., 131с.

58. Пак А., Щугарева К., Миненко С. Эффективный метод оценки вариабельности ритма сердца при СОАС // Клиническая медицина Казахстана. 2013г., № 2(28), с. 105-106.

59. Зудбиов Ю.И Азбука ЭКГ, Феникс. 2008г., 234 с.

60. Хэмптон Д.А. Атлас ЭКГ // Медицинская литература. 2008г., 320

с.

61. Дубровин В. И., Твердохлеб.Ю.В. Усовершенствование методов анализа ЭКГ-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения // Радиотехника - информатика - управление. 2011г., №1, с. 91-98.

62. Ясин А.С., Павлов А.Н., Храмов А.Е. Цифровая вейвлет-филь-трация зашумленных данных: влияние порогового уровня и выбора вейвлета // Радиотехника и электроника. 2016г., том 61, № 1, с. 1-7.

63. Liu Shucong, Cheng Lina, Li Lixin Research on Seismic Signals De-noising Method based on Multi-Threshold Wavelet Packet // International Journal of Signal Processing, Image Processing and Pattern Recognition. 2016, Vol. 9, No.2, pp.297-306 http://dx.doi.org/10.14257/ijsip.2016.9.2.25.

64. Мельникова Е.В. Вейвлет-фильтрация электрокардиографического сигнала // Восточно-Европейский журнал передовых технологий. 2006г., № 3/3(21), с. 23-26.

65. Prajakta S Gokhale ECG Signal De-noising using Discrete Wavelet Transform for removal of 50Hz PLI noise // International Journal of Emerging Technology and Advanced Engineering. 2012, Vol. 2 (5), pp. 81-85.

66. Анисимов А.А. Метод и система длительного мониторинга артериального давления и тревожной сигнализации гипертонического криза// Диссертация на соискание ученой степени кандидата технических наук. СПб -2017г.

67. Mohamed Elgendi On the Analysis of Fingertip Photoplethysmogram Signals // Current Cardiology Reviews. 2012, Vol.8, No.1, pp. 14-25.

68. Калиниченко А. Н. и соавторам Методы обработки биомедицинских сигналов и данных: Методические указания к лабораторным работам // СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2009г., 64 с.

69. Абдуллаев Н.Т., Дышин О.А., Хасмамедова Г.Т. Спектральный анализ электрокардиографических сигналов на основе вейвлет-пакетной обработки // Медицинская техника. 2010г., №1(259), с. 30-35.

70. Калинкин А.Л. Циклические вариации показателей вариабельности ритма сердца во время сна // Вариабельность сердечного ритма: Теоретические аспекты и практическое применение, тезисы докладов IV всероссийского симпозиума с международным участием. Ижевск, 2008г., с. 126-128.

71. Вариабельность сердечного ритма Стандарты измерения, физиологической интерпретации и клинического использования Рабочая группа Европейского Кардиологического Общества и Северо-Американского общества стимуляции и электрофизиологии (состав Рабочей группы приведен в Приложении C) // http://www.vestar.ru/atts/10480/HRV%20standards.pdf.

72. Зарубин Ф.Е. Вариабельность сердечного ритма: стандарты измерения, показатели, особенности метода // Вестник аритмологии. 1998г., .№10, с. 25-30.

73. Бокерия Л.А., Бокерия О.Л., Волковская И.В. Вариабельность сердечного ритма: методы измерения, интерпретация, клиническое использование // Анналы аритмологии. 2009г., № 4, с. 21-32.

74. Zoltan German-Sallo Wavelet transform based HRV analysis // The 7th International Conference Interdisciplinarity in Engineering (INTER-ENG 2013). 2013, pp. 105-111.

75. Bradley T.D., Floras J.S. Sleep Apnea and Heart Failure. Part I // Circulation. 2003, Vol. 107, pp. 1671-1678, DOI: 10.1161/01.CIR.0000061757.12581.15.

76. Bradley T.D., Floras J.S. Sleep Apnea and Heart Failure. Part II // Circulation. 2003, Vol. 107, pp. 1822-1826, DOI: 10.1161/01.CIR.0000061758.05044.64.

77. Kasai T., Bradley T.D. Obstructive sleep apnea and heart failure: pathophysiologic and therapeutic implications // J Am Coll Cardiol. 2011, Vol. 57(2), pp.119-127, DOI: 10.1016/j.jacc.2010.08.627.

78. Rossi V. A., Stradling J. R., Kohler M. Effects of obstructive sleep apnoea on heart rhythm // European Respiratory Journal. 2013, Vol. 41 (6), pp. 1439-1451, DOI: 10.1183/09031936.00128412.

79. Parati G., Lombardi C., Castagna F. et al. Heart failure and sleep disorders // Nature Reviews Cardiology. 2016, Vol. 13 (7), pp.389-403, DOI: 10.1038/nrcardio.2016.71.

80. Покровский В.М., Коротько Г.Ф. Физиология человека // М., Издательство «Медицина». 2003г., с. 664.

81. Thomas Penzel, JanW.Kantelhardt et al. Modulations of Heart Rate, ECG, and Cardio-Respiratory Coupling Observed in Polysomnography // Frontiers in Physiology. 2016, Vol.7, pp.1-15, DOI: 10.3389/fphys.2016.00460.

82. Бикметова А.В. Синдром обструктивного апноэ-гипопноэ во сне: клиническая значимость, взаимосвязь с артериальной гипертензией, принципы диагностики и лечения // Вятский медицинский вестник. 2011г., №1, с. 3-8.

83. Прохоров М.Д., Бодров М.Б., Пономаренко В.И., Гриднев В.И., Беспятов А.Б. Исследование синхронизации между ритмами сердечно-сосудистой системы человека по последовательности R-R интервалов // Биофизика. 2005г., Т.50, с. 914.

84. Федюкович Н. И. Анатомия и физиология человека // Учебное пособие. Изд. 2-е. — Ростов н/Д: изд-во: «Феникс». 2003г., 416 с.

85. Баевский, Р. М., Иванов, Г. Г., Чирейкин, Л. В. и другие Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем // Вестник аритмологии. №24, 2001г., с.65-87.

86. Somers et al Sleep Apnea and Cardiovascular Disease An American Heart Association/American College of Cardiology Foundation Scientific Statement From the American Heart Association Council for High Blood Pressure Research Professional Education Committee, Council on Clinical Cardiology, Stroke Council, and Council on Cardiovascular Nursing // Circulation. 2008, Vol.118, pp.1080-1111 Statement, DOI: 10.1161/CIRCULATIONAHA.107.189420.

87. Nguyen HD, Wilkins BA, Cheng Q, Benjamin BA. An online sleep apnea detection method based on recurrence quantification analysis // IEEE J Bio-med Health Inform. 2014 Jul, Vol. 18(4), pp.1285-1293, DOI: 10.1109/JBHI.2013.2292928.

88. Ahnaf Rashik Hassan Automatic Screening of Obstructive Sleep Apnea from Single-Lead Electrocardiogram //2nd Int'l Conf. on Electrical Engineering and Information & Communication Technology (lCEEICT). Bangladesh, 21-23 May 2015, DOI: 10.1109/ICEEICT.2015.7307522.

89. Cafer Avci1, Gökhan Bilgin Sleep Apnea Detection Using Adaptive Neuro Fuzzy Inference System // Engineering. 2013, Vol. 5, pp.259-263 http://dx.doi.org/10.4236/eng.2013.510B054.

90. Heuseyin, Mesut, Abdullah Feature selection on single-lead ECG for obstructive sleep apnea diagnosis // Turk J Elec Eng & Comp Sci. 2014, Vol. 22, pp. 465 - 478, doi:10.3906/elk-1207-132.

91. Narkiewicz K., Montano N., Cogliati C., van de Borne P. J. H., Dyken M. E., Somers V. K. Altered cardiovascular variability in obstructive sleep apnea // Circulation. 1998, Vol.98, pp.1071-1077.

92. Gula L. J., Krahn A. D., Skanes A., Ferguson K. A., George C., Yee R., Klein, G. J. Heart rate variability in obstructive sleep apnea: a prospective study and frequency domain analysis. // ANE. 2003, Vol.8, pp.144-149.

93. Park D. H., Shin C. J., Hong S. C., Yu J., Ryu S. H., Kim E. J., Shin H. B., and Shin, B. H. Correlation between the severity of obstructive sleep apnea and heart rate variability indices // J.Korean Med. Sci.. 2008, Vol. 23, pp. 226-231.

94. Christian Guilleminault, Dalva Poyares, Agostinho Rosa, Yu-Shu Huang Heart rate variability, sympathetic and vagal balance and EEG arousals in upper airway resistance and mild obstructive sleep apnea syndromes // Sleep Medicine. 2005, Vol. 6, pp. 451-457.

95. Ремизова Н.М. Динамика временных и спектральных характеристик интервала QT ЭКГ при изменении режима и частоты дыхания // Вестник чувашского государственного педагогического университета им. и.я. Яковлева. 2016г., №3 (91), с.18-24.

96. Shouldice RB; O'Brien LM; O'Brien C et al. Detection of obstructive sleep apnea in pediatric subjects using surface lead electrocardiogram features // SLEEP. 2004, Vol. 27(4), pp. 784-792.

97. Martin O. Mendez, Davide D. Ruini, Omar P. Villantieri, Matteo Matteucci, Thomas Penzel, Sergio Cerutti, Anna M. Bianchi Detection of Sleep Apnea from surface ECG based on features extracted by an Autoregressive Model // Proceedings of the 29th Annual International Conference of the IEEE EMBS Cité Internationale. Lyon, France August 23-26, 2007, pp.6105-6108.

98. Ahsan H. Khandoker, Marimuthu Palaniswami, Chandan K. Karmakar Support Vector Machines for Automated Recognition of Obstructive Sleep Apnea Syndrome From ECG Recordings // IEEE transactions on information technology in biomedicine. january 2009, Vol. 13(1), pp. 37-48.

99. Motoki Sakai, Daming Wei Holter ECG-Based Apnea Hypopnea Index to Screen Obstructive Sleep Apnea: A New Proposal and Evaluation of Feasibility // Journal of Biosciences and Medicines. 2015, Vol. 3, pp. 33-41, Published Online November 2015 in SciRes, http://dx.doi.org/10.4236/jbm.2015.311004.

100. Carolina Varon, Alexander Caicedo, Dries Testelmans, Bertien Buyse, Sabine Van Huffel A novel algorithm for the automatic detection of sleep apnea from single-lead ECG // TBME-01407-2014.R2.

101. Majdi Bsoul, Hlaing Minn, Lakshman Tamil Apnea MedAssist: Real-time Sleep Apnea Using Single-Lead ECG // IEEE transactions on information technology in biomedicine. may 2011, Vol.15(3), pp. 416-427.

102. Munoz M.L., Van Roon A., Riese H. ed. et. Validity of (Ultra-)Short Recordings for Heart Rate Variability Measurements // PLoS One. 28 Sep 2015, Vol. 10(9), e0138921. DOI: 10.1371/journal.pone.0138921. eCollection 2015.

103. Takahashi N., Kuriyama A., Kanazawa H. ed. et. Validity of spectral analysis based on heart rate variability from 1-minute or less ECG recordings // Pacing Clin Electrophysiol. Sep 2017, Vol. 40(9), pp. 1004-1009, DOI: 10.1111/pace.13138.

104. Anne-Louise Smith, Harry Owen, Karen J. Reynolds ed. et. Heart rate variability indices for very short-term (30 beat) analysis. Part 2: validation // Journal of Clinical Monitoring and Computing. October 2013, Vol. 27(5), pp. 577585.

105. https://physionet.org/physiobank/database/slpdb/slpdb.shtml

106. Radovan Stojanovic, Sasa Knezevic, Dejan Karadaglic, Goran Devedzic Optimization and Implementation of the Wavelet Based Algorithms for Embedded Biomedical Signal Processing // Computer Science and Information Systems. 2013, Vol. 10 (1), pp. 503-523, DOI: 10.2298/CSIS120517013S.

107. Алексеев В. В., Коновалова В. С., Калякин И. В. Реализация дискретного вейвлет-преобразования в режиме реального времени. Алгоритм скользящего // Измерение. Мониторинг. Управление. Контроль. 2012г., № 2., с. 18-23.

108. Zahia Zidelmal, Ahmed Amirou, Mourad Adnane, Adel Belouchrani QRS detection based on wavelet coefficients // Computer methods and programs in biomedicine. 2012, Vol. 107, pp. 490-496.

109. Дубровин В.И. Твердохлеб Ю.В. Усовершенствование методов анализа экг-сигналов на основе вейвлет-преобразования в системе электрокардиографии высокого разрешения // Нейроинформатика и интеллектуальные системы. 2011г., № 1, с.91-98.

110. Семенов В.И. Разработка и моделирование алгоритмов быстрого непрерывного вейвлет-преобразования с применением к обработке речевых сигналов // Автореферат диссертации на соискание ученой степени кандидата технических наук. Ульяновск, 2012г.

111. Туровский Я. А., Кургалин С. Д., Максимов А. В. Выбор анализирующих вейвлетов для системы с параллельной обработкой биомедицинских данных // Вестник ВГУ, серия: системный анализ и информационные технологии. 2011, № 2, с. 74-79.

112. Юр Т. В., Дубровин В. И., Харитонов В. Н. Исследование фильтрующих свойств вейвлет-преобразования // радиоэлектроника, информатика, управления. 2010г., № 2, с.157-165.

113. Takahashi N., Kuriyama A., Kanazawa H. ed. et. Validity of spectral analysis based on heart rate variability from 1-minute or less ECG recordings // Pacing Clin Electrophysiol. Sep 2017, Vol. 40(9), pp.1004-1009, DOI: 10.1111/pace.13138.