Detection of Sleep Apnea Based on the Analysis of Sleep Stages Data Using Single Channel EEG
Notice bibliographique
Résumé
Sleep is a basic need for a human being’s intellectual and physiological restoration and overlaying nearly one 1/3 length of a daytime. A first-rate and deep sleep is required for green regeneration of the body. Sleep disorders hamper the performance of an individual. Sleep Apnea is the one amongst the disorders that affect many. Most of Apnea related works consider Electrocardiogram (ECG) and respiratory signals /or combinations, instead of considering all Polysomnographic signals (PSG). It is evident that for the detection of Apnea related sleep disorders it is required to consider one or few signals rather considering all PSG signals. In this work, we advocate a way that might be carried out to perceive the information of sleep stages which might be crucial in diagnosing and treating sleep disorders. It differentiates sleep stages and derives new features from the sleep EEG that allows helping physicians with the analysis and treatment of associated sleep issues. This theory depends on exclusive EEG datasets from Physionet with the use of MIT-BIH polysomnographic database that have been received and described through scientists for the analysis and prognosis of sleep ranges. Experimental results on 18 records with 10197 epochs show that an Apnea detection accuracy of 95.9% obtained for Machine learning classifier with Ensemble Bagged Tree classifier.
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 | 0,001 |
| 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 ».