Non-Intrusive Sleep Staging with Integration of Ballistocardiography and Audio Signals
Notice bibliographique
Résumé
This paper investigates the use of audio analysis alongside non-intrusive sensors to measure cardiorespiratory parameters for sleep stage classification. A ballistocardiogram (BCG) detected cardiorespiratory signals through vibrations on the mattress, while an Apple Watch Ultra 2 used optical sensors on the wrist for measurement. The cardiorespiratory signals were processed with non-linear methods and autocorrelation functions to create a dataset from the entire system, which was then trained in a long short-term memory (LSTM) model to classify sleep stages. The output was validated using a polysomnography (PSG) system, showing an agreement of 81% for REM and non-REM sleep stages. Good results were also obtained with audio and BCG, with approximately 76% sleep stage agreement, demonstrating a fully non-contact environment viable for sleep detection. Furthermore, incorporating audio features proved effective in evaluating sleep stages with a non-intrusive setup, ensuring minimum disturbance to participants' natural sleep cycle.Clinical Relevance-Evaluating sleep quality is an inconvenient process for patients due to the extensive setup and discomfort of a clinical PSG system. A more convenient, minimal contact system that effectively assesses sleep quality without disrupting the patient's natural sleep could provide clinicians with measurements that better reflect real-world sleep patterns. This would enable more accurate diagnoses of sleep disorders without inducing symptoms associated with the intensive clinical study experience.
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 | 0,000 |
| 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 ».