Unobtrusive Screening of Central Sleep Apnea From Pressure Sensors Measurements: A Patient-Specific Longitudinal Study
Notice bibliographique
Résumé
Historically, the lack of patients' sleep histories has caused low identification of sleep apnea (SA) and referral rates. Moreover, the costly and time-consuming nature of polysomnography (PSG) as a standard clinical test for detecting SA and the lack of sleep clinics has created a demand for suitable home-based monitoring devices. Pressure measurement using a pressure sensitive mat (PSM) can address the challenges found in current sleep-monitoring solutions. The noncontact PSM has a potential to replace obtrusive breathing sensors in the sleep lab and to be used as a prescreening tool for patients suspected of having SA. Applying classical support vector machine (SVM), this article presents a personalized system based on the measurements of each patient to detect central SA (CSA) events and monitor sleep characteristics longitudinally. For this purpose, sensor set-ups were installed in nine seniors' homes to collect unsupervised pressure data in approximately one year ranging from 8 to 12 months. Cost-based and resampling-based approaches were examined to combat imbalanced data. The results showed that the cost-based method outperformed other methods. Next, the patient-specific system was used to determine the total number of CSA events, as well as their starting time and duration in each day. The SA severity was measured by the central apnea index (CAI). In addition, other sleep characteristics such as bed occupancy (BO), day clock, and night clock were extracted from the PSM measurements. The impact of longitudinal sleep monitoring could be in tracking SA treatment progression, and possibly providing information on the interaction between SA and other disease progressions.
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) | 0,000 | 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 ».