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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».