部EMG扫描图基于深度CNN用于OSA查
概括
一个深层卷积神经网络通过分析呼吸模式,有效地选阻塞性睡眠呼吸暂停 (OSA) 事件. 这种AI模型区分OSA事件和正常呼吸,有助于更快的诊断和治疗.
科学领域:
- 神经学 神经学
- 睡眠医学 睡眠医学
- 人工智能的人工智能
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种普遍的睡眠障碍.
- 它的特点是由于上呼吸道肌肉放松而导致呼吸停止.
- 肌电图 (EMG),空气流和氧和度的变化标志着这些事件.
研究的目的:
- 开发和评估一个深层卷积神经网络 (DCNN) 用于选阻塞性睡眠呼吸暂停 (OSA) 事件.
- 在OSA患者中区分OSA事件和正常呼吸.
- 在OSA和非OSA事件中分析运动神经元发射模式.
主要方法:
- 利用了来自美国精神病学和神经病学中心 (ACPN) 数据库的5名OSA受试者的数据.
- 开发了一个深度卷积神经网络 (DCNN) 架构.
- 通过使用EMG信号,研究了运动神经元发射模式.
主要成果:
- 实现了80%的验证准确度和75%的OSA事件查测试准确度.
- 在OSA事件中观察到明显较低的运动神经元发射模式,表明肌肉放松.
- 在非OSA事件中表现出高运动神经元活动.
结论:
- 拟议的DCNN系统有效地区分了OSA和非OSA事件.
- 这有助于迅速诊断和治疗阻塞性睡眠呼吸暂停患者.
- 对运动神经元活动的分析为OSA的生理机制提供了洞察力.
