Convolutional self-attention with adaptive channel-attention network for obstructive sleep apnea detection using limited training data
Notice bibliographique
Résumé
Obstructive sleep apnea (OSA) is a chronic sleep disorder caused by blockage of the upper airway for at least 10 s due to the collapsing of the tongue and soft palate. OSA can cause serious health problems including hypertension and coronary heart. Polysomnography is a technique to simultaneously record physiological signals such as electroencephalograms, electrooculograms, electrocardiograms (ECGs) etc., to diagnose various diseases including OSA. However, the process is time-consuming and tedious. Therefore, detecting OSA from ECGs (electrical signals recording heart variability using electrodes) is an alternative that can be extended to wearable devices. However, two challenges hinder their real-world applications: 1) Performance is directly proportional to the data size, and 2) algorithms are not robust for cross-dataset evaluation. We propose a novel deep-learning model called convolutional self-attention with adaptive channel-attention network (CSAC-Net) to address these issues. Specifically, the first issue is addressed by using the proposed Convolutional self-attention module in a multi-scale projection approach and fusing the features at the end. This enables the exploitation of long-range dependencies with diverse feature vectors. The second issue is addressed by leveraging invariant mapping through the proposed adaptive channel-attention (ACA) and inter-feature attention (IFA) modules. ACA module fuses multi-level features to embed adaptive characteristics while the IFA module exploits features from different stage to preserve the originality of features. To the best of our knowledge, this is the first study to address the underlying issues. Extensive experiments validate the effectiveness of CSAC-Net using two open databases: physiologic signal network apnea electrocardiogram (PhysioNet Apnea-ECG) and national sleep research resource best apnea interventions in research (NSRR-BestAIR). Their respective accuracies are respectively 93.4 % and 76.1 %, outperforming the state-of-the-art methods. Furthermore, the robustness of the CSAC-Net is validated through cross-database evaluation using various open databases.
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 | 0,000 | 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 ».