Pattern Recognition in Intra-Breath Oscillometry Measurements
Notice bibliographique
Résumé
Intra-breath oscillometry (IBOsc) offers a high-resolution, non-invasive assessment of respiratory mechanics by tracking within-breath variations in respiratory impedance. Unlike traditional oscillometric approaches, which provide averaged impedance values over the entire respiratory cycle, IBOsc captures dynamic, nonlinear changes by analyzing single-frequency excitation signals. This study introduces a novel machine learning-based framework for automated pattern recognition in IBOsc data. The proposed pipeline incorporates artifact-tolerant preprocessing, impedance loop generation, feature engineering, and classification. Using carefully curated datasets from healthy individuals and patients with chronic obstructive pulmonary disease (COPD), interstitial lung disease (ILD), and obesity hypoventilation syndrome (OHS), the proposed framework successfully identifies clinically relevant patterns such as tidal expiratory flow limitation (tEFL). In the binary classification task distinguishing tEFL in healthy versus COPD patients, the best-performing model achieved an F1-score of 0.98 and an overall accuracy of 98.5% on a held-out test set of 204 samples. In the more complex three-class scenario involving healthy, COPD, and ILD patients, the model sustained strong performance, reaching a macro-averaged accuracy of 86.3% across 156 test samples, with a class-wise accuracy of 96.2% for tEFL detection. Beyond binary classification, the method proved effective in identifying both the presence and the resolution of tEFL patterns, which is a key clinical indicator for tracking therapeutic outcomes. The methodology demonstrated robustness across varying conditions and measurement setups, highlighting the potential of automated IBOsc analysis for enhancing clinical diagnostics and phenotyping of respiratory diseases.
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 ».