Prediction of the Sleep Apnea Severity Using 2D-Convolutional Neural Networks and Respiratory Effort Signals
Notice bibliographique
Résumé
The high prevalence of sleep apnea and the limitations of polysomnography have prompted the investigation of strategies aimed at automated diagnosis using a restricted number of physiological measures. This study aimed to demonstrate that thoracic (THO) and abdominal (ABD) movement signals are useful for accurately estimating the severity of sleep apnea, even if central respiratory events are present. Thus, we developed 2D-convolutional neural networks (CNNs) jointly using THO and ABD to automatically estimate sleep apnea severity and evaluate the central event contribution. Our proposal achieved an intraclass correlation coefficient (ICC) = 0.75 and a root mean square error (RMSE) = 10.33 events/h when estimating the apnea-hypopnea index, and ICC = 0.83 and RMSE = 0.95 events/h when estimating the central apnea index. The CNN obtained accuracies of 94.98%, 79.82%, and 81.60% for 5, 15, and 30 events/h when evaluating the complete apnea hypopnea index. The model improved when the nature of the events was central: 98.72% and 99.74% accuracy for 5 and 15 events/h. Hence, the information extracted from these signals using CNNs could be a powerful tool to diagnose sleep apnea, especially in subjects with a high density of central apnea events.
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 | 0,001 |
| 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 ».