Classification of Central and Obstructive Sleep Apnea Using Respiratory Inductance Plethysmography and Convolutional Neural Networks
Notice bibliographique
Résumé
In this study, we employ a pre-trained Convolutional Neural Network (CNN), specifically ResNetl8, for automated sleep apnea classification using spectral images derived from Respiratory Inductance Plethysmography (RIP) signals. Using data from 130 patients who underwent diagnostic polysomnogram (PSG) at the Sleep Disorders Clinic of the Royal Ottawa Mental Health Centre, we compare the performance of three models fine-tuned using spectrograms of 60 sec segments of the RIPsum, RIPflow, and the concurrent thoracic (THO) and abdominal (ABD) RIP signals. In the case of the THO/ABD model, concurrent spectrograms of the THO and ABD signals are combined into a single image. The resulting models classified any apnea events (central and obstructive apnea/hypopnea) from normal respiration accuracy ranging from 87-90% and F1 scores ranging 90–91 %. We also examine the models' performance on classification of central sleep apnea, obstructive sleep apnea, and normal respiration. The THO/ ABD model classified central apnea events with 89.4% precision, 90.2% recall, 89.8% F1 score and 94.4% specificity. Our results show that RIP belts can be used as an effective screening tool for sleep apnea, and central sleep apnea more specifically, utilizing smaller datasets and minimal training. This approach may be useful for non-invasive, cost-effective diagnostic methodologies at home and in clinical environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| 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 ».