A New Approach for Detecting Sleep Apnea Using a Contactless Bed Sensor: Comparison Study
Notice bibliographique
Résumé
BACKGROUND: At present, there is an increased demand for accurate and personalized patient monitoring because of the various challenges facing health care systems. For instance, rising costs and lack of physicians are two serious problems affecting the patient's care. Nonintrusive monitoring of vital signs is a potential solution to close current gaps in patient monitoring. As an example, bed-embedded ballistocardiogram (BCG) sensors can help physicians identify cardiac arrhythmia and obstructive sleep apnea (OSA) nonintrusively without interfering with the patient's everyday activities. Detecting OSA using BCG sensors is gaining popularity among researchers because of its simple installation and accessibility, that is, their nonwearable nature. In the field of nonintrusive vital sign monitoring, a microbend fiber optic sensor (MFOS), among other sensors, has proven to be suitable. Nevertheless, few studies have examined apnea detection. OBJECTIVE: This study aims to assess the capabilities of an MFOS for nonintrusive vital signs and sleep apnea detection during an in-lab sleep study. Data were collected from patients with sleep apnea in the sleep laboratory at Khoo Teck Puat Hospital. METHODS: In total, 10 participants underwent full polysomnography (PSG), and the MFOS was placed under the patient's mattress for BCG data collection. The apneic event detection algorithm was evaluated against the manually scored events obtained from the PSG study on a minute-by-minute basis. Furthermore, normalized mean absolute error (NMAE), normalized root mean square error (NRMSE), and mean absolute percentage error (MAPE) were employed to evaluate the sensor capabilities for vital sign detection, comprising heart rate (HR) and respiratory rate (RR). Vital signs were evaluated based on a 30-second time window, with an overlap of 15 seconds. In this study, electrocardiogram and thoracic effort signals were used as references to estimate the performance of the proposed vital sign detection algorithms. RESULTS: For the 10 patients recruited for the study, the proposed system achieved reasonable results compared with PSG for sleep apnea detection, such as an accuracy of 49.96% (SD 6.39), a sensitivity of 57.07% (SD 12.63), and a specificity of 45.26% (SD 9.51). In addition, the system achieved close results for HR and RR estimation, such as an NMAE of 5.42% (SD 0.57), an NRMSE of 6.54% (SD 0.56), and an MAPE of 5.41% (SD 0.58) for HR, whereas an NMAE of 11.42% (SD 2.62), an NRMSE of 13.85% (SD 2.78), and an MAPE of 11.60% (SD 2.84) for RR. CONCLUSIONS: Overall, the recommended system produced reasonably good results for apneic event detection, considering the fact that we are using a single-channel BCG sensor. Conversely, satisfactory results were obtained for vital sign detection when compared with the PSG outcomes. These results provide preliminary support for the potential use of the MFOS for sleep apnea detection.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».