Sleep Apnea Severity Estimation from Respiratory Related Movements Using Deep Learning
Notice bibliographique
Résumé
Sleep apnea is a common chronic respiratory disorder which occurs due to the repetitive complete or partial cessations of breathing during sleep. The gold standard assessment of sleep apnea requires full night polysomnography in a sleep laboratory which is expensive, time consuming, and inconvenient. Hence, there is an urgent need for a convenient, robust and wearable monitoring device for screening of sleep apnea. A simple and convenient accelerometer-based portable system is presented to estimate the severity of sleep apnea by analyzing tracheal movements. Respiratory related movements were recorded over the suprasternal notch using a 3D accelerometer. Twenty-one physiological features (7 features, 3 accelerometer channels) were extracted. Performance of three different deep learning models - convolutional neural network, recurrent neural network, and their combination - were evaluated for estimating the apnea hypopnea index (AHI). The estimated AHI is compared to the gold standard polysomnography. In 3-fold cross-validation experiments with 20 participants (9 female, age=47.8±18.0 years, BMI=30.8±4.8, AHI=22.2±21.8 events/hr), we achieved a correlation coefficient between gold standard and estimated values (r-value = 0.84). The proposed system is an accurate, convenient, and portable device suitable for home sleep apnea screening.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 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 ».