CNN Model for Sleep Apnea Detection Based on SpO2 Signal
Notice bibliographique
Résumé
Sleep Apnea-Hypopnea Syndrome (SAHS) is one of the common sleep disorders which cause hypertension, coronary artery disease, stroke, and diabetes mellitus, as well as the increment of vehicle collisions. Polysomnography is a traditional way of diagnosing sleep disorder which requires multiple sensors for producing multiple physiological signals. Traditional Polysomnography causes huge costs for diagnosing SAHS because it requires numerous sensors as well as time. This study has developed a model by using deep learning techniques to minimize the cost and time for SAHS diagnosing. This study has utilized the SpO2 signal by using a Convolutional Neural Network (CNN) as a deep learning technique to detect SAHS in any individuals. The sleep disorder depends on the amount of blood in the body which is detected by the SpO2 signal. The proposed CNN model consists of eight layers: three convolution layers, three max-pooling layers, one fully connected layer, and one softmax layer. Two datasets were used: the Apnea-ECG and UCD databases; the first has eight subjects, and the last has 25 subjects. In carrying out the tests, our model achieved an accuracy of 95.5% with the Apnea-ECG database and 90.2% with the UCD database. The suggested technique has provided a cost-effective and efficient way of identifying SAHS in any individual.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».