論文の概要: Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals

• arxiv url: http://arxiv.org/abs/2003.09920v2
• Date: Tue, 24 Mar 2020 13:15:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 11:33:27.763160
• Title: Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals
• Title（参考訳）: 血液酸素飽和信号を用いた無呼吸・低呼吸自動計測
• Authors: R.E. Rolon, I.E. Gareis, L.D. Larrateguy, L.E. Di Persia, R.D. Spies and H.L. Rufiner
• Abstract要約: DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。 中等度から重度のOSAHスクリーニングでは、それぞれ0.957の曲線と87.56%と88.32%の診断感度と特異性を示す特性曲線解析を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The obstructive sleep apnea-hypopnea (OSAH) syndrome is a very common and frequently undiagnosed sleep disorder. It is characterized by repeated events of partial (hypopnea) or total (apnea) obstruction of the upper airway while sleeping. This study makes use of a previously developed method called DAS-KSVD for multiclass structured dictionary learning to automatically detect individual events of apnea and hypopnea using only blood oxygen saturation signals. The method uses a combined discriminant measure which is capable of efficiently quantifying the degree of discriminability of each one of the atoms in a dictionary. DAS-KSVD was applied to detect and classify apnea and hypopnea events from signals obtained from the Sleep Heart Health Study database. For moderate to severe OSAH screening, a receiver operating characteristic curve analysis of the results shows an area under the curve of 0.957 and diagnostic sensitivity and specificity of 87.56% and 88.32%, respectively. These results represent improvements as compared to most state-of-the-art procedures. Hence, the method could be used for screening OSAH syndrome more reliably and conveniently, using only a pulse oximeter.
• Abstract（参考訳）: 閉塞性睡眠時無呼吸症候群(OSAH)は、非常に一般的で、頻繁に診断されない睡眠障害である。 睡眠中に上気道の一部(ハイポネア)または全体(アパネア)の障害が繰り返されているのが特徴である。 本研究では,血液酸素飽和信号のみを用いて,無呼吸と低呼吸の個々の事象を自動的に検出する多クラス構造辞書学習のためのDAS-KSVDという手法を以前開発した。 本発明の方法は、辞書内の各原子の識別可能性の度合いを効率的に定量できる複合判別尺度を用いる。 DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。 中等度から重度のosahスクリーニングでは,特性曲線解析の結果,0.957の曲線下領域と87.56%,88.32%の診断感度と特異性を示した。 これらの結果は、ほとんどの最先端の手順と比べて改善を表している。 これにより、パルスオキシメータのみを用いて、OSAH症候群をより確実かつ便利にスクリーニングすることができる。

関連論文リスト

• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning [1.5381930379183162]
  OSASは、死亡率の上昇、神経障害の悪化、リハビリテーション後の機能低下、高血圧の発症率の上昇と関連している。 OSAS診断のための金標準検査はPSG (Polysomnography) である。 生波形データの時間分解能を低減できる畳み込み型ディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-10T11:21:47Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• SomnNET: An SpO2 Based Deep Learning Network for Sleep Apnea Detection in Smartwatches [3.2116198597240846]
  末梢酸素飽和信号から睡眠時無呼吸症候群(呼吸障害)を検出する新しい方法について検討した。 そこで,SomnNETと呼ぶ1次元畳み込みニューラルネットワークを開発した。 このネットワークは97.08%の精度を示し、いくつかの低分解能アパネ検出法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T20:49:49Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and Oxygen Saturation [1.2291501047353484]
  シンプルで使いやすいデバイスから睡眠時無呼吸を自動的に検出するより便利な方法のための一般的な医学とクリティカルケアの必要性があります。 本研究の目的は, 呼吸異常を自動検出し, Apnea-Hypopnea-Index (AHI) をウェアラブル呼吸装置で推定することである。 4つのモデルが訓練された:1つは呼吸機能のみを使用し、1つはSpO2(%)信号のみから、もう1つは呼吸機能とSpO2(%)機能を使用する2つの追加モデルである。
  論文  参考訳（メタデータ） (2021-02-24T02:04:57Z)
• Automated Respiratory Event Detection Using Deep Neural Networks [3.489191364043618]
  閉塞性無呼吸, 中枢性無呼吸, 低呼吸, 呼吸障害関連興奮症を検知するために, 単一の呼吸運動ベルトに基づいてニューラルネットワークを訓練する。 呼吸イベントを完全自動検出し, 臨床応用に十分な精度で無呼吸ハイポネア指数を評価できる。
  論文  参考訳（メタデータ） (2021-01-12T17:43:17Z)
• A Clinical Evaluation of a Low-Cost Strain Gauge Respiration Belt and Machine Learning to Detect Sleep Apnea [0.7101004731620997]
  睡眠時無呼吸は重篤かつ診断下にある睡眠関連呼吸障害である。 医師がポリソムノグラフィーを処方するかどうかを決定することは困難です。 完全な夜のデータは、スマートフォンで約1秒で分析できます。
  論文  参考訳（メタデータ） (2021-01-07T15:38:28Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Identification of deep breath while moving forward based on multiple body regions and graph signal analysis [45.62293065676075]
  本稿では,世界深度カメラを通り過ぎているときの深呼吸を自動的に識別できる非閉塞性ソリューションを提案する。 検証実験において、提案手法は、それぞれ75.5%、76.2%、75.0%、75.2%の精度、精度、リコール、F1の比較手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-20T08:26:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。