Detection and Classification of Obstructive Sleep Apnea Disorders: A Comparative Analysis of Various Deep Machine Learning Classifiers
Notice bibliographique
Résumé
Obstructive Sleep Apnea (OSA) is a respiratory sleep disorder labeled by a temporary cessation of breathing that will last more than 10 seconds while sleeping.Generally, OSA is caused by in-adequate oxygen levels in the human body.It causes daytime fatigue, if goes unchecked results in number of serious health diseases.In general, a Polysomnography (PSG) screening test is used to diagnose Sleep Apnea (SA), but this test is highly expensive, requires constant supervision of a healthcare expert.So, PSG test beyond the reach of general public.In recent years, to overcome these issues, several cost-effective methods are proposed by several healthcare researchers like automatic SA detection methods with the help of emerging Artificial Intelligence (AI).Primary objective of this paper is to analyze the recent advances in SA and review novel approaches, algorithms that have been implemented using AI techniques like ANNs, Machine Learning and Deep Learning.A comprehensive search was performed on many indexing portals, yielding 633 published original research articles and 27 papers.With the promising potential many diagnostic tools, methods are tabulated.Further, how these techniques can be used to detect and diagnose Sleep Apnea in a more convenient way with accuracy as well as economical is discussed.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 ».