Deep Learning-Augmented Sleep Spindle Detection for Acute Disorders of Consciousness: Integrating CNN and Decision Tree Validation
Notice bibliographique
Résumé
Sleep spindles, which are key biomarkers of non-rapid eye movement stage 2 sleep, play a crucial role in predicting outcomes for patients with acute disorders of consciousness (ADOC). However, several critical challenges remain in spindle detection: 1) the limited use of automated spindle detection in ADOC; 2) the difficulty in identifying low-frequency spindles in patient populations; and 3) the lack of effective tools for quantitatively analyzing the relationship between spindle density and patient outcomes. To address these challenges, we propose a novel Deep Learning-Augmented algorithm for automated sleep spindle detection in ADOC patients. This method combines Convolutional Neural Networks with decision tree-assisted validation, using wavelet transform principles to enhance detection accuracy and sensitivity, especially for the slow spindles commonly found in ADOC patients. Our approach not only demonstrates superior performance and reliability but also has the potential to significantly improve diagnostic precision and guide treatment strategies when integrated into clinical practice. Our algorithm was evaluated on the Montreal Archive of Sleep Studies - Session 2 (MASS SS2, n = 19), achieving average F1 scores of 0.798 and 0.841 compared to annotations from two experts. On a self-recorded dataset from ADOC patients (n = 24), it achieved an F1 score of 0.745 compared to expert annotations. Additionally, our analysis using the Spearman correlation coefficient revealed a moderate positive correlation between sleep spindle density and 28-day Glasgow Outcome Scale scores in ADOC patients. This suggests that spindle density could serve as a prognostic marker for predicting clinical outcomes and guiding personalized patient care.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».