Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F18%3APU129445" target="_blank" >RIV/00216305:26220/18:PU129445 - isvavai.cz</a>
Výsledek na webu
<a href="http://elektrorevue.cz/cz/clanky/zpracovani-signalu/0/detekce-syndromu-spankove-apnoe-ze-zaznamu-dychani-pomoci-nasalniho-senzoru/" target="_blank" >http://elektrorevue.cz/cz/clanky/zpracovani-signalu/0/detekce-syndromu-spankove-apnoe-ze-zaznamu-dychani-pomoci-nasalniho-senzoru/</a>
DOI - Digital Object Identifier
—

Jazyk výsledku
čeština
Název v původním jazyce
Detekce syndromu spánkové apnoe ze záznamu dýchání pomocí nasálního senzoru
Popis výsledku v původním jazyce
Práce se zabývá využitím záznamů dýchání z nasálního senzoru pro automatickou detekci syndromu spánkové apnoe (SSA). Jako zdroj signálů je použita volně dostupná databáze Physionet. Pro detekci jsou použity záznamy od čtyř pacientů, u kterých jsou požadované signály dostupné. Srovnány jsou výsledky tří klasiﬁkačních metod - metody podpůrných vektorů, umělých neuronových sítí a metody k-nejbližších sousedů. Pro použitá data dosáhla úspěšnost detekce ve všech případech vice než 90%
Název v anglickém jazyce
Sleep apnea syndrome detection using nasal senzor respiration records
Popis výsledku anglicky
Article deals with the sleep apnea detection using nasal sensor respiration methods. Open access Physionet database was used as a source of records. Records from four patients with required signals availible were used. Three classification methods are compared – support vector machine, artificial neural networks and k-nearest neighbors. Overall accuracy of over 90% was achieved with each method.

Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)