智能手机介导的鼻检测在模拟现实环境中的准确性:算法开发和验证
Jeffrey Brown1, Zachary Mitchell1, Yu Albert Jiang1
1Bodymatter, Inc, 4343 Von Karman Ave, Suite 150J, Newport Beach, CA, 92660, United States, 1 877-870-0649.
JMIR formative research
|March 28, 2025
概括
SleepWatch应用程序使用机器学习准确地检测打,在模拟测试中达到95.6%的整体准确性. 这个工具可以帮助识别有睡眠呼吸暂停风险的个体.
科学领域:
- 睡眠科学 睡眠科学
- 数字健康技术是数字健康技术.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 高质量的睡眠对身体和精神健康至关重要.
- 睡眠不足与各种健康问题有关,包括心脏代谢疾病和死亡率增加.
- 打会扰乱睡眠,并与阻塞性睡眠呼吸暂停等疾病有关.
研究的目的:
- 为了评估SleepWatch智能手机应用程序的打检测算法的准确性.
- 在模拟的真实环境中评估算法的性能.
主要方法:
- 使用36个模拟的打音频文件 (30-600次/小时) 和9个非打文件,测试了SleepWatch算法.
- 绩效指标包括灵敏度,特异性,准确性,积极的预测值和负面的预测值.
- 布兰德-阿尔特曼图和斯皮尔曼相关性用于统计分析.
主要成果:
- 该算法在打测试中获得了95.2%的平均准确性,在非打声音中获得了97.1%的特异性.
- 在所有测试中,总的汇总准确率为95.6%.
- 在检测到的和实际的打率之间发现了强烈的正相关性 (rs=0.974;P<.001).
结论:
- 睡眠手表的打检测算法表现出高精度和可靠性.
- 它的性能与其他鼻检测应用程序相提并论.
- 该应用程序显示了基于打指数的潜力,可以识别有睡眠呼吸障碍风险的个体,例如阻塞性睡眠呼吸暂停.


