論文の概要: Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and Oxygen Saturation

• arxiv url: http://arxiv.org/abs/2102.13473v1
• Date: Wed, 24 Feb 2021 02:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-01 13:42:38.528892
• Title: Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and Oxygen Saturation
• Title（参考訳）: ウェアラブルバンドによる睡眠時無呼吸と呼吸異常の検出と酸素飽和
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2291501047353484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Sleep related respiratory abnormalities are typically detected using polysomnography. There is a need in general medicine and critical care for a more convenient method to automatically detect sleep apnea from a simple, easy-to-wear device. The objective is to automatically detect abnormal respiration and estimate the Apnea-Hypopnea-Index (AHI) with a wearable respiratory device, compared to an SpO2 signal or polysomnography using a large (n = 412) dataset serving as ground truth. Methods: Simultaneously recorded polysomnographic (PSG) and wearable respiratory effort data were used to train and evaluate models in a cross-validation fashion. Time domain and complexity features were extracted, important features were identified, and a random forest model employed to detect events and predict AHI. Four models were trained: one each using the respiratory features only, a feature from the SpO2 (%)-signal only, and two additional models that use the respiratory features and the SpO2 (%)-feature, one allowing a time lag of 30 seconds between the two signals. Results: Event-based classification resulted in areas under the receiver operating characteristic curves of 0.94, 0.86, 0.82, and areas under the precision-recall curves of 0.48, 0.32, 0.51 for the models using respiration and SpO2, respiration-only, and SpO2-only respectively. Correlation between expert-labelled and predicted AHI was 0.96, 0.78, and 0.93, respectively. Conclusions: A wearable respiratory effort signal with or without SpO2 predicted AHI accurately. Given the large dataset and rigorous testing design, we expect our models are generalizable to evaluating respiration in a variety of environments, such as at home and in critical care.
• Abstract（参考訳）: 目的:睡眠関連呼吸異常は通常ポリソムノグラフィを用いて検出される。 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,spo2信号やポリソムノグラフィと比較して,異常呼吸を自動検出し,ahiをウェアラブル呼吸装置で推定することである。 方法: クロスバリデーション方式でモデルを訓練・評価するために, 同時記録ポリソムノグラフィ (PSG) とウェアラブル呼吸活動データを用いた。 時間領域と複雑性の特徴を抽出し、重要な特徴を同定し、イベントを検出してAHIを予測するためにランダムな森林モデルを用いた。 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り、もう1つは2つの信号間の30秒のタイムラグを可能にする。 その結果,0.94,0.86,0.82の受信機特性曲線,0.48,0.32,0.51の精密リコール曲線の領域,呼吸のみのSpO2,呼吸のみのモデル,およびSpO2のみの領域が得られた。 専門家ラベルと予測AHIの相関は0.96, 0.78, 0.93であった。 結論: SpO2の有無にかかわらず, ウェアラブル呼吸活動信号はAHIを正確に予測した。 大規模なデータセットと厳密なテスト設計を考えると、私たちのモデルでは、自宅やクリティカルケアなど、さまざまな環境で呼吸を評価することが一般化できると思います。

関連論文リスト

• Sleep Apnea Detection on a Wireless Multimodal Wearable Device Without Oxygen Flow Using a Mamba-based Deep Learning Approach [0.0]
  本稿では,ANNE Oneの信号に基づく睡眠障害呼吸の診断および事象レベル評価のための,マンバに基づく深層学習モデルを提案し,評価する。
  論文  参考訳（メタデータ） (2025-11-30T17:21:44Z)
• MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
  本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。 ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。 これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
  論文  参考訳（メタデータ） (2024-12-28T01:37:25Z)
• Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
  本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:31Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Noncontact Respiratory Anomaly Detection Using Infrared Light-Wave Sensing [0.1759252234439348]
  異常な呼吸は、さらなる診断と治療につながる致命的な健康上の問題を示す可能性がある。 本研究では,人間の呼吸パターンを模倣するロボットを用いて,正常および異なる種類の呼吸異常をシミュレートした。 赤外線センシング技術を用いて時系列呼吸データを収集した。
  論文  参考訳（メタデータ） (2023-01-09T23:19:40Z)
• Minute ventilation measurement using Plethysmographic Imaging and lighting parameters [8.739176372427842]
  睡眠時無呼吸などの呼吸障害は、肺の酸素と二酸化炭素を含有/交換する能力が不足し、体がホメオスタシスの安定した状態にあることを保証するために、多数の個人に影響を及ぼす致命的な疾患である。 微小換気などの呼吸測定は、心拍数や心拍変動などの他の生理的測定と相関して、健康状態の遠隔監視や呼吸関連疾患の症状の検出に用いられる。
  論文  参考訳（メタデータ） (2022-08-29T00:42:48Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• 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)
• 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)
• 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 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• Multispectral Video Fusion for Non-contact Monitoring of Respiratory Rate and Apnea [7.300192965401497]
  呼吸の非接触モニタリングは、近赤外線と遠赤外線のスペクトルカメラで達成できる。 本研究では,無呼吸時の呼吸速度(RR)を推定する多スペクトルデータ融合に基づく新しいアルゴリズムを提案する。 本研究は,医療応用におけるサインモニタリングにおけるカメラの活用に向けての一歩となる可能性がある。
  論文  参考訳（メタデータ） (2020-04-21T09:07:09Z)
• Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals [0.0]
  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。
  論文  参考訳（メタデータ） (2020-03-22T15:17:20Z)

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。