با توجه به ابعاد بالای دادهها و مجموعه روشهای طبقهبندی توپولوژیکی و هندسی موجود، اعمال الگوریتم K-Mapper بر روی دادههای ما میتواند نشان دهد که آیا چنین روشهای هندسی و توپولوژیکی ارزش پیادهسازی دارند یا خیر، یا اینکه آیا ممکن است از این تکنیکها اطلاعاتی به دست آوریم که از ابزارهای آماری سنتی به دست نمیآوریم. به دلیل ابعاد بالای دادههای ما و یافتههای حاصل از کاوش دادهها، ما از تکنیکهای یادگیری ماشین متنوعی استفاده میکنیم. پارامترهای بهینه شده برای DT و سایر روشهای یادگیری ماشین را میتوان در جدول 4.1 یافت. علاوه بر DT، ما از جنگلهای تصادفی (RF) برای انتخاب متغیرهای مهم استفاده کردیم. اگرچه LDA ممکن است برای مدیریت دادههای پیچیده با ابعاد بالا بسیار ساده به نظر برسد، ما از آن به عنوان یک روش معیار استفاده میکنیم زیرا ممکن است بینشی در مورد میزان بهبود روشهای پیشرفتهتر آماری/یادگیری ماشین ارائه دهد. این دانش در صورت نقص محصول یا عدم برآورده شدن انتظارات پس از استفاده، از شما محافظت میکند – و امکان تعویض یا بازپرداخت بدون دردسر را فراهم میکند. به عنوان مثال، اگر بلافاصله پس از کار میخوابید، از بانکی استفاده کنید که ساعات کاری عصر دارد.
شورای خواب بهتر (BSC) در ایالات متحده، 6 حالت خواب رایج از جمله انواع خوابیدن به پهلو، پشت و روی شکم را شناسایی میکند. تحلیل K-Mapper نیاز به اجرای الگوریتمها را نه تنها بر روی دادههای ترکیبی، بلکه بر روی دادههای جمجمه و صورت و دادههای نظرسنجی به طور جداگانه توجیه میکند، زیرا به نظر میرسد بینشهای متفاوتی ارائه میدهند: دادههای جمجمه و صورت در یافتن افرادی که به احتمال زیاد OSA دارند، بهترین عملکرد را دارند، در حالی که دادههای نظرسنجی در یافتن افرادی که OSA ندارند، بهتر عمل میکنند. تحلیل تفکیک خطی (LDA) که توسط فیشر در سال 1936 پیشنهاد شد، یکی از اساسیترین روشهای طبقهبندی است. در حالی که هر دو مجموعه ساده دادههای ترکیبی و مجموعه ساده دادههای نظرسنجی دارای دو جزء هستند، جزء دوم یک گره است که دقیقاً از یک نمونه تشکیل شده است. پیشبینیها به دو جزء منفرد اول در فضای علائم (یا فضای متغیر)، یعنی دو ستون اول U𝑈U در تصویر بالای شکل 6 قرار دارند، که میزان خاکستری نقطه متناسب با بزرگی تفاوت میانگین بین بیماران کنترل و علامتدار است. در همین حال، نمودار پایین شکل 6، پیشبینیها را به فضای پاسخدهنده، یعنی ستونهای اول V𝑉V، با پاسخدهندگان «بدون OSA» (ستاره) و «OSA» (نقطه) نشان میدهد.
پیشبینی به دو مؤلفهی منفرد اول در فضای علائم نشان میدهد که تنها چند سؤال بیشترین واریانس را در پاسخها نشان میدهند: بیدار شدن از خواب با احساس خستگی در صبح، بیدار شدن با زنگ هشدار و داشتن فرزندی که همیشه در حال حرکت است، علائمی با واریانس بالا هستند که تفاوت زیادی بین بیماران کنترل و علائم دارند. هدف از این تصادفیسازی، رشد درختهای زیادی است که به یکدیگر شباهت ندارند و به الگوریتم اجازه میدهند تا حد امکان فضای متغیر توضیحی را بررسی کند و اغلب نتیجهای قویتر از درختهای تصمیمگیری ارائه میدهد. از کمربندهای پارچهای که دور شکم و سینه شما پیچیده میشوند برای اندازهگیری تلاش تنفسی استفاده میشود. این عضلات قفسه سینه (حفره سینه) را منبسط میکنند به طوری که یک خلاء جزئی در ریهها ایجاد میشود و هوا برای پر کردن آن هجوم میآورد. هر بیماری که بر ریهها تأثیر بگذارد، میتواند علائم IPF را بدتر کند. اگر از قبل به آن مبتلا هستید، آپنه خواب میتواند آن را بدتر کند.
آیا آپنه خواب درمان قطعی دارد؟
علاوه بر این، در دسترس بودن دستگاههای آپنه خواب مقرون به صرفه و گسترش پوشش بیمه برای درمانهای خانگی، این گزینهها را برای جمعیت وسیعتری قابل دسترستر میکند. قابهای تخت قابل تنظیم برای افراد مبتلا به درد، آپنه خواب و رفلاکس اسید عالی هستند. همانطور که در این تصویر نشان داده شده است، بیماران گروه کنترل و بیماران علامتدار به طور کامل قابل تفکیک نیستند و بیماران علامتدار به دلیل ناهمگونی خود قابل توجه هستند. به طور خاص، متوجه میشویم که پنج مورد از متغیرهای جمجمه و صورت در گروه کنترل در یک جزء متصل قرار دارند، در حالی که همه متغیرهای جمجمه و صورت در گروه بیمار گرههای جداگانه هستند. ما این اطلاعات را با تجسم طبقهبندی بیمار در بخش 3.3 در مورد تجزیه مقدار منفرد مقایسه میکنیم. تجسم تصویر به دو جزء منفرد اول، طیف علائم تجربه شده توسط شرکتکنندگان را نشان میدهد و دشواری را که در استفاده از روشهای یادگیری نظارت شده مانند درختهای تصمیمگیری و ماشینهای بردار پشتیبان برای ایجاد طبقهبندیکنندههای دقیق خواهیم دید، روشن میکند. این روشها شامل تحلیل تفکیک خطی (LDA)، تحلیل تفکیک درجه دوم (QDA)، رگرسیون لجستیک (LR)، درختهای تصمیمگیری (DT)، جنگلهای تصادفی (RF)، شبکههای عصبی (NNET) و ماشینهای بردار پشتیبان (SVM) و نزدیکترین همسایه K (KNN) میشوند.
