یک مطالعه جدید نشان میدهد که اپل واچ میتواند فشار خون بالا و آپنه خواب را با دقت تشخیص دهد (2)
در مقابل، یادآوری نشان میدهد که یک مدل چقدر خوب میتواند موارد منفی کاذب را در تعداد کل نمونههای یک کلاس به حداقل برساند. یادآوری 0.79 نشان میدهد که مدل به طور مؤثر واقعیترین نمونههای هر کلاس را شناسایی میکند. با ترکیب دقت و یادآوری در یک معیار، نمره F1 یک معیار متعادل ارائه میدهد که هم موارد مثبت واقعی و هم موارد منفی کاذب را در نظر میگیرد. همانطور که در این جدول نشان داده شده است، مدل با دقت 0.76 و نمره F1 0.74 به دقت 74٪ دست یافت. تنفس طبیعی دقیقترین نوع طبقهبندی شده بود (نمره F1 0.81)، در حالی که هیپوپنه انسدادی کمترین نمره F1 (0.53) را نشان داد. علاوه بر این، مدل به کاپای 0.58 دست یافت. ماتریس سردرگمی برای طبقهبندی آپنه خواب در شکل ۴ نشان داده شده است. همانطور که در این شکل نشان داده شده است، دسته بدون آپنه بالاترین دقت طبقهبندی را با ۰.۷۳ به دست آورد و پس از آن آپنه انسدادی و آپنه مرکزی به ترتیب با دقت ۰.۷۲ و ۰.۶۶ قرار گرفتند. همانطور که در جدول ۱ نشان داده شده است، مدل برای طبقهبندی ۵ مرحلهای خواب به دقت کلی ۷۸٪ دست یافت که نشان میدهد مدل اکثر نمونهها را به درستی طبقهبندی کرده است. در این راستا، به نمونههای طبقهبندی نادرست یا چالشبرانگیز وزن بیشتری داده میشود، در حالی که به نمونههای طبقهبندی شده صحیح وزن کمتری داده میشود. این تکنیک وزن نمونههای آسان را در طول آموزش کاهش میدهد تا مدل بتواند بیشتر بر اصلاح درک خود از الگوهای پیچیده تمرکز کند.
بنابراین، دادههای جمجمه و صورت توانستند ۱۱ نمونه OSA را که با گروههای کنترل در دو مجموعه ساده دیگر مخلوط شده بودند، به وضوح تشخیص دهند. 0.88 در تمام کلاسها)، در حالی که طبقهبندی OSA با نمرات F1 پایینتر برای مراحل خاصی، مانند N1 (0.28)، همانطور که در شکل 3 نشان داده شده است، مشکل دارد. همانطور که در این شکل نشان داده شده است، برای REM، روش پیشنهادی به دقت 0.69 رسید، با برخی طبقهبندیهای اشتباه به N2 (0.26) و Wake (0.13). این ممکن است به دلیل ویژگیهای فیزیولوژیکی مختلط خواب REM باشد که شباهتهای خاصی با مراحل Wake و خواب سبکتر دارند. هر بخش با برچسبهای مرحله خواب شامل پنج کلاس (Wake، N1، N2، N3، REM) و برچسبهای آپنه شامل چهار نوع متمایز (تنفس طبیعی، آپنه مرکزی، آپنه انسدادی و هیپوپنه) حاشیهنویسی شده است. در نهایت، لایههای خروجی شامل لایههای متراکم با یک نورون واحد و توابع فعالسازی softmax برای پیشبینی احتمال کلاس مربوطه برای هر کار (یعنی مرحله خواب و طبقهبندی اختلال خواب) هستند. شاخههای خروجی شامل لایههای متراکم با توابع فعالسازی ReLU برای ثبت ویژگیهای خاص کار هستند. MHSA مدل را قادر میسازد تا با محاسبه نمرات توجه با استفاده از ماتریسهای پرسوجو (Q)، کلید (K) و مقدار (V)، روابط درون ورودی را ثبت کند.
این مدل برای ۴۵ دوره با اندازه دسته ۶۴ آموزش داده شد و از توقف زودهنگام مبتنی بر اتلاف اعتبارسنجی برای کاهش بیشبرازش استفاده شد. یک لایه کانولوشنی یک بعدی با ۷۶۸ فیلتر، اندازه هسته ۲۰ و گام ۲۰ برای تقسیم سیگنالهای ورودی به تکههای غیر همپوشانی استفاده شد. سیگنالهای ورودی چهار کاناله به فواصل ۳۰ ثانیهای تقسیم میشوند. آموزش بر روی پنجرههای ۳۰ ثانیهای از دادههای ورودی چهار کاناله برای طبقهبندی پنج مرحله خواب (بیداری، N1، N2، N3، REM) انجام شد. یک آزمایش بین بیمار با انتخاب دادهها از بیماران جداگانه برای مجموعههای آموزش، اعتبارسنجی و آزمایش با سهم ۷۰٪، ۱۵٪ و ۱۵٪ انجام شد. چارچوب یادگیری چندوظیفهای (MTL) از هر دو مجموعه برچسب به طور همزمان استفاده کرد، با هدف استفاده از ویژگیهای مشترک بین وظایف برای بهبود عملکرد کلی طبقهبندی. به عبارت دیگر، مجموعه دادههای آموزشی شامل ۸۶ شرکتکننده (یعنی ۳۵۰۱ پنجره ۳۰ ثانیهای از سیگنالهای ۴ کاناله)، ۱۸ شرکتکننده برای اعتبارسنجی (یعنی ۷۴۹ بخش ۳۰ ثانیهای از سیگنالهای ۴ کاناله) و ۱۸ شرکتکننده برای آزمایش (یعنی ۷۴۹ بخش ۳۰ ثانیهای از سیگنالهای ۴ کاناله) است، بدون هیچ همپوشانی بین این سه مجموعه. به گفته منابع آشنا با این تحقیق، اسناد مربوط به آزمایش این شرکت به وزارت دادگستری تحویل داده شده است که سال گذشته تحقیقاتی را در مورد فراخوان آغاز کرد.
آیا آپنه خواب درمان قطعی دارد؟
این توافق پیشنهادی به طور مؤثر به بیش از ۷۰۰ دادخواستی که پس از فراخوان میلیونها دستگاه آپنه خواب و ونتیلاتورهای پرکاربرد این شرکت در سال ۲۰۲۱ ثبت شده بود، پایان خواهد داد. علاوه بر این، یک طبقهبندی نادرست جزئی بین آپنه انسدادی و آپنه مرکزی (۰.۳۴) وجود دارد که نشان دهنده شباهتهای فیزیولوژیکی بین وقایع آپنه مرکزی و انسدادی، مانند الگوهای تنفسی مشترک است که احتمالاً در این چالش نقش دارند. کمترین دقت توسط هیپوپنه انسدادی با دقت ۰.۵۴ با طبقهبندیهای نادرست قابل توجه به آپنه مرکزی (۰.۲۰) و بدون آپنه (۰.۰۹) به دست میآید که نشان دهنده ماهیت ظریف این بیماری و دشواری تشخیص الگوهای آن است. به عنوان مثال، اگر آپنه خواب مرکزی به دلیل نارسایی قلبی باشد، هدف درمان خود نارسایی قلبی است. دستگاه CPAP مستقیماً AFib را درمان نمیکند، اما میتواند علائم مرتبط با آپنه خواب را کاهش دهد. افرادی که علائم شبانه دارند، معمولاً کیفیت زندگی بسیار بدتری نسبت به افرادی دارند که علائم آنها فقط در طول روز رخ میدهد. این میتواند از انسداد راه هوایی جلوگیری کرده و صدای خروپف را کاهش دهد و کیفیت خواب را برای بیماران مبتلا به آپنه انسدادی خواب بهبود بخشد.
