Detection of Sleep Apnea from Single-Lead ECG: Comparison of Deep Learning Algorithms
Notice bibliographique
Résumé
Apnea is a prevalent sleep disorder which has detrimental impacts on human health and quality of life. Accurate automatic algorithms for the detection of sleep apnea are needed for analyzing long-term sleep data and monitoring and management of its side effects and consequences. Among different approaches for automatic detection of sleep apnea from biosignals, deep learning algorithms are of particular interest as, unlike conventional machine learning algorithms, they do not rely on expert crafted features. In this paper, we developed and evaluated a number of different deep learning models for the detection of sleep apnea from a single-lead electrocardiogram (ECG) signal. ECG R-peak amplitude and R-R intervals were extracted, and power spectral analysis was performed to align the R-peak amplitude and the R-R intervals in frequency domain. Convolutional neural network (CNN), long short-term memory (LSTM), bidirectional LSTM, gated recurrent unit, and deep hybrid models were implemented and analyzed. The performance of deep learning algorithms was evaluated on an apnea-ECG dataset of 70 recordings divided into a learning set of 35 records and a test of 35 records. The best accuracy, sensitivity, specificity, and F1-score on the test data were 80.67%, 75.04%, 84.13%, and 74.72%, respectively, with a hybrid CNN and LSTM network. The results show promise toward improved apnea detection using deep learning.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».