Notice bibliographique
Résumé
Obstructive sleep apnea (OSA) is a common respiratory disorder during sleep, in which the airways are collapsed and impair the respiration. Apnea is s cessation of airflow to the lungs which lasts at least for 10s. The current gold standard method for OSA assessment is full night polysomnography (PSG); however, its high cost, inconvenience for patients and immobility have persuaded researchers to seek simple and portable devices to detect OSA. In this paper, we report on developing a new system for OSA detection and monitoring, which only requires two data channels: tracheal breathing sounds and the blood oxygen saturation level (S(a)O(2)). A fully automated method was developed that uses the energy of breathing sounds signals to segment the signals into sound and silent segments. Then, the sound segments are classified into breath, snore (if exists) and noise segments. The S(a)O(2) signal is analyzed to find the rises and drops in the S(a)O(2) signal. Finally, a fuzzy algorithm was developed to use this information and detect apnea and hypopnea events. The method was evaluated on the data of 40 patients simultaneously with full night PSG study, and the results were compared with those of the PSG. The results show high correlation (96%) between our system and PSG. Also, the method has been found to have sensitivity and specificity values of more than 90% in differentiating simple snorers from OSA patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».