Automatic Sleep Staging from CPAP Airflow using a Dual Fusion Multi-Period Convolutional Neural Network
Notice bibliographique
Résumé
Abstract Background : Continuous positive airway pressure (CPAP) therapy is the standard treatment for obstructive sleep apnea-hypopnea syndrome, yet its use as a passive sleep dynamics monitoring remains limited. CPAP devices record only airflow signals, called CPAP-flow, which constantly interact with the pressure delivered by the device. This interaction renders the signal vulnerable to device-related artifacts and inter-/intra-patient variability, posing significant challenges to its repurposing for monitoring sleep dynamics. Methods : Motivated by neural network-based studies of sleep-wake transition from CPAP-flow, we leverage existing physiological knowledge and introduce a dual fusion multi-period convolutional neural network (DFMP-CNN) model. This deep learning architecture leverages multiple period-specific convolutional kernels and a dual-fusion mechanism to jointly encode known short- and long-range temporal dependencies in CPAP-flow, overcoming limitations of traditional fixed-scale models. Results : Extensive experiments demonstrate that DFMP-CNN achieves state-of-the-art performance in CPAP-based sleep staging. On the Yale dataset, it achieves 78.5% accuracy (Cohen’s κ = 0.605), with a best case of κ = 0.886; on the Duke dataset, it reaches 73.6% accuracy ( κ = 0.524), with a best case of κ = 0.805. Cross-dataset evaluations confirm the model’s transferability across clinical centers and device types, while feature and fusion ablation studies highlight its robustness. Conclusions : DFMP-CNN provides an unobtrusive approach for sleep monitoring using CPAP devices, providing a dual-purpose platform for therapy and longitudinal assessment. Significance: the robust performance of DFMP-CNN across datasets and device types underscores its potential to improve clinical assessment and optimize therapy management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».