A Time-Series Approach to Predict Obstructive Sleep Apnea (OSA) Episodes
Notice bibliographique
Résumé
Sleep apnea is a common respiratory disorder during sleep.It is characterized by pauses in breathing or shallow breathing during sleep for longer than 10 seconds.Except the fact that not having a proper sleep and being rested for the next day, in some cases the apnea period (not breathing interval) may last more than 30 seconds and this situation can even be fatal.14% of men and 5% of women suffer from Obstructive Sleep Apnea (OSA) in United States.Patients may experience apnea for more than 300 times in a single night sleep.Polysomnography (PSG) is a multi-parametric recording of biophysiological changes, containing EEG, ECG, SpO2, Nasal Airflow signals, performed during overnight sleep.In this study, a fully automatic apnea detection algorithm is developed and an early warning system is proposed to predict OSA episodes by extracting time-series features of OSA periods and regular respiration using nasal airflow signal.Extracted features are then reduced to improve the performance of the prediction.Support vector machines (SVM), one of the commonly used classification algorithms in medical applications, is implemented for learning and prediction of the OSA episodes.The results show that OSA episodes are predicted with 87.6% of accuracy and 91.3% of sensitivity, 30 seconds before patient faces apnea.By this approach, apnea related health risks can be minimized by foreknowledge.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».