Advanced signal analysis for the detection of periodic limb movements from bilateral ankle actigraphy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Actigraphy can assist in the detection of periodic limb movements in sleep. Although several actigraphs have been previously reported to accurately detect periodic limb movements, many are no longer available; of the existing actigraphs, most sample too infrequently to accurately detect periodic limb movements. The purpose of this study was to use advanced signal analysis to validate a readily available actigraph that has the capability of sampling at relatively high frequencies. We simultaneously recorded polysomnography and bilateral ankle actigraphy in 96 consecutive patients presenting to our sleep laboratory. After pre-processing and conditioning, the bilateral ankle actigraphy signals were then analysed for 14 simple time, frequency and morphology-based features. These features reduced the signal dimensionality and aided in better representation of the periodic limb movement activity in the actigraph signals. These features were then processed by a Naïve-Bayes binary classifier for distinguishing between normal and abnormal periodic limb movement indices. We trained the Naïve-Bayes classifier using a training set, and subsequently tested its classification accuracy using a testing set. From our experiments, using a periodic limb movement index cut-off of 5, we found that the Naïve-Bayes classifier had a correct classification rate of 78.9%, with a sensitivity of 80.3% and a specificity of 73.7%. The algorithm developed in this study has the potential of facilitating identification of periodic limb movements across a wide spectrum of patient populations via the use of bilateral ankle actigraphy.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 découle