Air flow limitation : developing an efficient detection algorithm and establishing recording standards

Obstructive sleep apnea (OSA) is a common sleep disorder characterized by repetitive pharyngeal collapse and upper airways (UA) narrowing during sleep. A phenomenon associated to the UA narrowing, the inspiratory flow limitation (IFL), is of increasing interest in order to diagnose this kind of disorders. IFL happens when an increased UA resistance prevents any increase in inspiratory air flow despite an elevation in negative intrathoracic pressure. The detection of IFL requires the evaluation of pneumotachograph-measured air flow signal and esophageal manometry, that is an invasive measurement poorly tolerated by the patient. Many studies have validated the use of non invasive techniques as the nasal cannula pressure transducer system for the assessment of IFL. To date, IFL has been identified by subjective and varying visual recognition criteria. This approach is time-consuming, therefore automated techniques are required. In this project we implemented an algorithm that extracts from each breath of the nasal pressure signal (Pnasal) a set of significant features and uses them to classify it as normal (NIFL) or flow limited breath (IFL). Comparing the features extracted from the Pnasal signal with the ones extracted from the flow signal, we demonstrated that the Pnasal can be used as good surrogate of flow. Due to the need of recording standards, we tested our algorithm at the varying of two acquisition parameters: high-pass filtering frequency and sampling frequency. The results show that the features are robust against the variation of these setting parameters while the best choice to preserve the shape and frequency content of the signal is to record it in DC with a sampling frequency equal or greater than 125 Hz. We trained two different supervised learning algorithms, support vector machines and artificial neural networks, to classify the breaths previously visually labelled as IFL or NIFL by an expert. Both the classifiers achieved a good performance: the accuracy on the validation set is nearly 92%, but it moderately decreases on validation sets in which different recording parameters were mimicked.

La sindrome dell’apnea ostruttiva del sonno (OSA) è un disturbo comune caratterizzato da frequenti collassi dei tessuti molli della faringe e dalla costrizione delle vie aeree superiori. Le limitazioni del flusso inspiratorio (IFL) sono un fenomeno a ciò associato di crescente interesse per la diagnosi di questo tipo di disturbi. Esse sono caratterizzate da un aumento della resistenza delle vie aeree superiori che impedisce il normale afflusso d’aria durante l’inspirazione, anche a fronte di una crescente pressione intratoracica negativa. Per rilevare le IFL è necessario valutare il flusso misurato con uno pneumotacografo e la pressione intratoracica misurata tramite manometria esofagea, la quale è una misura invasiva mal tollerata dai pazienti. È stato perciò validato in molti studi l’uso di tecniche non invasive come il sistema canula nasale/trasduttore di pressione per la rilevazione di IFL. Ad oggi, le IFL vengono identificate utilizzando criteri visivi per natura soggettivi e variabili. Questo approccio è temporalmente oneroso, perciò sono richiesti metodi automatizzati. In questo progetto è stato implementato un algoritmo che estrae un set di descrittori da tutti i respiri presenti nel segnale pressorio, e li utilizza per classificarli come normali (NIFL) o come respiri limitati in inspirazione (IFL). Grazie alla comparazione tra i descrittori estratti dal segnale pressorio con quelli estratti dal flusso, è stato dimostrato che la pressione nasale è un buon surrogato del segnale di flusso. Data la necessità di standard di registrazione per questa classe di segnali respiratori, l’algoritmo è stato testato al variare di due importanti parametri di acquisizione: la frequenza di taglio del filtro passa alto e la frequenza di campionamento. I risultati dimostrano che i descrittori implementati sono robusti al variare dei suddetti parametri, nonostante la scelta migliore per preservare la forma ed il contenuto in frequenza del segnale sia quella di registrare in DC con una frequenza di campionamento maggiore o uguale a 125 Hz. Sono stati realizzati due algoritmi con tecniche di apprendimento supervisionato, una macchina a vettori di supporto (SVM) e una rete neurale artificiale (ANN), per classificare i respiri precedentemente marcati da un esperto come IFL o NIFL. È stata ottenuta una buona performance da entrambi i classificatori: l’accuratezza sul set di dati di validazione è circa del 92% ma decresce moderatamente quando vengono utilizzati dati di validazione acquisiti con differenti parametri di registrazione.