DeepArousal-Net: A Multi-Block Recurrent Deep Learning Model for Proactive Forecasting of Non-Apneic Arousals From Multichannel PSG
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to develop a deep learning model capable of accurately forecasting non-apneic sleep arousals, which are brief awakenings that disrupt sleep continuity and contribute to daytime fatigue. METHODS: We introduce DeepArousal-Net, a novel deep learning model designed to predict non-apnea arousals using multichannel polysomnography (PSG) records. DeepArousal-Net employs a multi-block architecture composed of convolutional neural networks (CNNs) to extract features from a comprehensive set of PSG signals, including EEG, ECG, EOG, EMG, oxygen saturation, and airflow. Bidirectional Long Short-Term Memory (Bi-LSTM) layers are incorporated to capture temporal dependencies in the extracted features. RESULTS: DeepArousal-Net achieved an accuracy of 81.31%, sensitivity of 71.23%, and specificity of 81.90% in forecasting arousals 30 seconds in advance. The model demonstrated superior performance compared to traditional time-series prediction methods. CONCLUSION: DeepArousal-Net's ability to forecast non-apneic sleep arousals marks a significant advancement over existing post-event detection systems. SIGNIFICANCE: By anticipating arousals, DeepArousal-Net opens new possibilities for the development of innovative interventions and personalized sleep management strategies, potentially leading to improved sleep quality and overall well-being.
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) | 0,001 | 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 | 0,001 |
| 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 ».