論文の概要: Estimating Respiratory Effort from Nocturnal Breathing Sounds for Obstructive Sleep Apnoea Screening

• arxiv url: http://arxiv.org/abs/2509.14944v1
• Date: Thu, 18 Sep 2025 13:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.237935
• Title: Estimating Respiratory Effort from Nocturnal Breathing Sounds for Obstructive Sleep Apnoea Screening
• Title（参考訳）: 閉塞型睡眠時無呼吸スクリーニングにおける夜間呼吸音からの呼吸活動の推定
• Authors: Xiaolei Xu, Chaoyue Niu, Guy J. Brown, Hector Romero, Ning Ma,
• Abstract要約: 閉塞性睡眠時無呼吸症(OSA)は、健康に重大な影響を及ぼす疾患である。 本研究は夜間オーディオから直接呼吸活動を評価するための最初の研究である。 そこで本研究では,OSA検出のための音響的特徴と推定工数埋め込みを統合した潜在空間融合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.383325982897874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obstructive sleep apnoea (OSA) is a prevalent condition with significant health consequences, yet many patients remain undiagnosed due to the complexity and cost of over-night polysomnography. Acoustic-based screening provides a scalable alternative, yet performance is limited by environmental noise and the lack of physiological context. Respiratory effort is a key signal used in clinical scoring of OSA events, but current approaches require additional contact sensors that reduce scalability and patient comfort. This paper presents the first study to estimate respiratory effort directly from nocturnal audio, enabling physiological context to be recovered from sound alone. We propose a latent-space fusion framework that integrates the estimated effort embeddings with acoustic features for OSA detection. Using a dataset of 157 nights from 103 participants recorded in home environments, our respiratory effort estimator achieves a concordance correlation coefficient of 0.48, capturing meaningful respiratory dynamics. Fusing effort and audio improves sensitivity and AUC over audio-only baselines, especially at low apnoea-hypopnoea index thresholds. The proposed approach requires only smartphone audio at test time, which enables sensor-free, scalable, and longitudinal OSA monitoring.
• Abstract（参考訳）: 閉塞性睡眠時無呼吸症 (OSA) は健康上の有意な結果をもたらすが, 夜間ポリソムノグラフィーの複雑さと費用が原因で, 多くの患者は未診断のままである。 アコースティック・ベースのスクリーニングはスケーラブルな代替手段を提供するが、環境ノイズや生理的文脈の欠如によって性能が制限される。 呼吸努力は、OSAイベントの臨床的評価に使用される重要な信号であるが、現在のアプローチでは、拡張性と患者の快適さを低下させる追加のコンタクトセンサーが必要である。 本研究は、夜間オーディオから直接呼吸活動を評価する最初の研究であり、音のみから生理的文脈を回復することを可能にする。 そこで本研究では,OSA検出のための音響的特徴と推定工数埋め込みを統合した潜在空間融合フレームワークを提案する。 在宅で記録した103人の被験者の157夜のデータセットを用いて, 呼吸活動推定器は0.48の一致相関係数を達成し, 有意な呼吸動態を捉えた。 ハウジングの労力とオーディオは、オーディオのみのベースラインよりも感度とAUCを改善する。 提案手法では,センサレス,スケーラブル,縦方向OSA監視が可能な,テスト時のスマートフォンオーディオのみを必要とする。

関連論文リスト

• EZhouNet:A framework based on graph neural network and anchor interval for the respiratory sound event detection [7.29257171556766]
  可変長オーディオを処理可能なアンカー間隔を持つグラフニューラルネットワークベースのフレームワークを提案する。 本手法は呼吸音検出の柔軟性と適用性を両立させる。
  論文  参考訳（メタデータ） (2025-09-01T06:10:30Z)
• Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
  本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。 提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
  論文  参考訳（メタデータ） (2025-08-16T04:58:00Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• 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)
• 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)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。