人工神经网络在成年人中对运动呼吸流量限制的识别
Hans Christian Haverkamp1, Peter Luu2, Thomas W DeCato3,4
1Department of Nutrition and Exercise Physiology, Washington State University-Spokane Health Sciences, Elson S. Floyd College of Medicine, 412 E. Spokane Falls Blvd., Spokane, WA, 99202-2131, USA. Hans.Haverkamp@wsu.edu.
Scientific reports
|October 11, 2023
概括
深度机器学习准确地识别了炼期间的呼气流量限制 (EFL). 一个卷积神经网络 (CNN) 在临床运动测试中显示出检测呼吸器约束的前景.
科学领域:
- 肺部生理学 肺部生理学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 在临床运动测试中,识别呼吸器约束是至关重要的.
- 呼气流量限制 (EFL) 是一个关键的通风约束,但很难测量.
- 目前的代谢车缺乏强大的EFL识别能力.
研究的目的:
- 评估卷积神经网络 (CNN) 在运动期间识别EFL时的准确性.
- 评估不同基线气道功能 (正常到轻微阻塞) 的个体的CNN表现.
主要方法:
- 使用了22名成人的2931个自发运动流量-体积循环 (eFVL).
- 编码的eFVL作为EFL或非EFL基于空气流相对于最大呼气流量-体积曲线.
- 训练并测试了七个隐藏层的CNN来分类eFVLs.
主要成果:
- 美国有线电视新闻网 (CNN) 获得了高准确率:90.6% (所有受试者),90.5% (正常螺旋计) 和88.0% (轻度阻塞).
- 阴性预测值在正常的螺旋测量对象中超过了阳性预测值 (93.5%对比78.2%).
- 在轻度阻塞的受试者中,积极的预测值略高于负面的预测值 (89.5%对比84.5%).
结论:
- 一个CNN在运动期间识别EFL方面表现强.
- 深度机器学习为在临床环境中检测通风器约束提供了一个潜在的新工具.
