Search engine for discovering works of Art, research articles, and books related to Art and Culture
ShareThis
Javascript must be enabled to continue!

Sleep Classification for frailty detection using Machine Learning

View through CrossRef
Classification du sommeil pour la détection de la fragilité à l'aide de l'apprentissage automatique L’analyse du sommeil est un domaine de recherche qui a suscité beaucoup d’intérêt ces derniers temps en raison de son importance dans la prévention de la fragilité. Pour analyser le sommeil de manière plus efficace, nous avons essayé d’utiliser des données pouvant être collectées de manière non invasive. La première étape de nos travaux de recherche a consisté à développer une nouvelle approche algorithmique pour analyser le sommeil à partir de données issues de capteurs peu intrusifs. Nous nous sommes concentrés sur la détection des phases de sommeil, c’est-à-dire le réveil, les mouvements oculaires non rapides (NREM) et les mouvements oculaires rapides (REM). Le problème est considéré comme un problème d’apprentissage automatique de classification supervisée. Cinq méthodes classiques d’apprentissage automatique ont été évaluées en testant leur précision sur les mêmes données collectées. En utilisant un réseau de neurones avec une méthode de mémoire courte, la tâche de classification correspondait à 91,34% de la classification PSG. Une fois que nous avons classé ce sommeil, nous avons utilisé les résultats de ces analyses pour prédire l’apparition de la fragilité. En utilisant différentes attributs et des données issues d’un essai clinique réel, nous avons mené un modèle qui prédit à l’aide d’algorithmes d’apprentissage automatique pour prédire si un patient va être fragile ou s’il sera autonome. En appliquant deux méthodes d’apprentissage automatique différentes; classification supervisée et non supervisée, nous avons constaté que la première méthode a montré de meilleurs résultats concernant notre cas d’étude. Nous avons atteint une précision de 92,4 %. Le fait que de nombreux patients puissent devenir fragiles à cause de leurs habitudes de sommeil nous a fait penser à détecter le moment exact où la dérive des habitudes de sommeil s’est produite. La détection des anomalies et le moment où ces anomalies se sont produites pourraient avoir une meilleure compréhension des habitudes et de l’état du patient. La dernière partie de notre contribution était de créer une nouvelle méthode qui a été présentée pour détecter les anomalies dans les habitudes de sommeil des patients. Cette méthode repose sur la création d’une nouvelle base de données de 2500 patients répartis en 5 habitudes différentes. Ensuite, nous avons utilisé cet ensemble de données pour tester la catégorisation du patient en utilisant la méthode de regroupement par décalage moyen. Enfin, une présentation de la méthode d’auto-encodeur qui a été utilisée pour détecter les anomalies a été faite en utilisant l’algorithme LSTM.
Agence Bibliographique de l'Enseignement Supérieur
Title: Sleep Classification for frailty detection using Machine Learning
Description:
Classification du sommeil pour la détection de la fragilité à l'aide de l'apprentissage automatique L’analyse du sommeil est un domaine de recherche qui a suscité beaucoup d’intérêt ces derniers temps en raison de son importance dans la prévention de la fragilité.
Pour analyser le sommeil de manière plus efficace, nous avons essayé d’utiliser des données pouvant être collectées de manière non invasive.
La première étape de nos travaux de recherche a consisté à développer une nouvelle approche algorithmique pour analyser le sommeil à partir de données issues de capteurs peu intrusifs.
Nous nous sommes concentrés sur la détection des phases de sommeil, c’est-à-dire le réveil, les mouvements oculaires non rapides (NREM) et les mouvements oculaires rapides (REM).
Le problème est considéré comme un problème d’apprentissage automatique de classification supervisée.
Cinq méthodes classiques d’apprentissage automatique ont été évaluées en testant leur précision sur les mêmes données collectées.
En utilisant un réseau de neurones avec une méthode de mémoire courte, la tâche de classification correspondait à 91,34% de la classification PSG.
Une fois que nous avons classé ce sommeil, nous avons utilisé les résultats de ces analyses pour prédire l’apparition de la fragilité.
En utilisant différentes attributs et des données issues d’un essai clinique réel, nous avons mené un modèle qui prédit à l’aide d’algorithmes d’apprentissage automatique pour prédire si un patient va être fragile ou s’il sera autonome.
En appliquant deux méthodes d’apprentissage automatique différentes; classification supervisée et non supervisée, nous avons constaté que la première méthode a montré de meilleurs résultats concernant notre cas d’étude.
Nous avons atteint une précision de 92,4 %.
Le fait que de nombreux patients puissent devenir fragiles à cause de leurs habitudes de sommeil nous a fait penser à détecter le moment exact où la dérive des habitudes de sommeil s’est produite.
La détection des anomalies et le moment où ces anomalies se sont produites pourraient avoir une meilleure compréhension des habitudes et de l’état du patient.
La dernière partie de notre contribution était de créer une nouvelle méthode qui a été présentée pour détecter les anomalies dans les habitudes de sommeil des patients.
Cette méthode repose sur la création d’une nouvelle base de données de 2500 patients répartis en 5 habitudes différentes.
Ensuite, nous avons utilisé cet ensemble de données pour tester la catégorisation du patient en utilisant la méthode de regroupement par décalage moyen.
Enfin, une présentation de la méthode d’auto-encodeur qui a été utilisée pour détecter les anomalies a été faite en utilisant l’algorithme LSTM.

Related Results

Association Between Sleep Duration and Cognitive Frailty in Older Chinese Adults: Prospective Cohort Study
Association Between Sleep Duration and Cognitive Frailty in Older Chinese Adults: Prospective Cohort Study
Abstract Background Disturbed sleep patterns are common among older adults and may contribute to cognitive and physical declines. However, eviden...
Penyuluhan Penyakit Parkinson dan Skrining Frailty pada Penderita Parkinson di RSI Sultan Agung Semarang
Penyuluhan Penyakit Parkinson dan Skrining Frailty pada Penderita Parkinson di RSI Sultan Agung Semarang
Penyakit Parkinson merupakan kondisi neurodegeneratif yang progresif dan sering ditemukan pada populasi usia lanjut. Penyakit ini disertai dengan gejala motorik dan non-motorik yan...
Acupuncture as therapeutic resource in patient with bruxism
Acupuncture as therapeutic resource in patient with bruxism
Bruxism is the harmful habit of clenching or grinding the teeth during the day and / or night, with unconscious pattern, with particular intensity and frequency, outside the functi...
Loneliness as a risk factor for frailty transition among Chinese old people
Loneliness as a risk factor for frailty transition among Chinese old people
Abstract Background: loneliness has been observed to be associated with subsequent adverse outcomes. Our study aims to investigate whether and how loneliness is related to ...
FRAILTY AND PRE-FRAILTY IN A CONTEMPORARY COHORT OF HIV-INFECTED ADULTS
FRAILTY AND PRE-FRAILTY IN A CONTEMPORARY COHORT OF HIV-INFECTED ADULTS
Objectives: To determine the prevalence of pre-frailty among HIV-infected persons and associationswith pre-frailty and frailty in this population. Design, Setting ...
Impact of Frailty on Outcomes of Total Joint Replacement and Differentiating the Impaction of Comorbidity and Frailty
Impact of Frailty on Outcomes of Total Joint Replacement and Differentiating the Impaction of Comorbidity and Frailty
Abstract Background: Frailty is a reduced capacity to recover from a physiologically stressful event. It is well established that preoperative frailty is associated with po...

Back to Top