Comparative Analysis of Spectral and Bispectral Analyses for Obstructive Sleep Apnea Severity Classification
Notice bibliographique
Résumé
Obstructive Sleep Apnea (OSA) is a prevalent sleep disorder characterized by recurrent episodes of upper airway obstruction during sleep. Accurate and timely diagnosis, along with severity classification, is crucial for effective management and preventing associated health complications. This paper presents a comparative analysis of power spectrum and bispectrum features extracted from physiological signals for the classification of OSA severity. Utilizing a comprehensive dataset and a robust 5-fold stratified cross-validation approach, we evaluate the discriminative power of these features through statistical tests (t-test, ranksum), effect size (Cohen's d), and Receiver Operating Characteristic-Area Under the Curve (ROC-AUC) analysis. Furthermore, top-N feature selection and correlation heatmaps are employed to identify the most salient and non-redundant features. Our findings indicate that power spectral features achieved average AUCs between 0.65 and 0.83, while bispectral features, when used alone, modestly outperformed spectral features, with AUC increases of approximately 1–3% across most binary classification tasks. For example, in the Non-OSA vs. Severe-OSA comparison, bispectral features yielded a maximum AUC of 0.84 compared to 0.83 for spectral features, with a corresponding effect size increase of 0.27. These results highlight that while the gains are modest, bispectral analysis provides complementary information beyond power spectrum features by capturing nonlinear interactions. This suggests that a combined approach may enhance robustness for OSA severity classification.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».