Mohamed Rahmouni, Aurore Bussalb, Maxime Elbaz, Guillaume Jubien, Ulysse Gimenez
{"title":"Algorithmes de détection de micro-éveils de haute performance avec un modèle de deep learning","authors":"Mohamed Rahmouni, Aurore Bussalb, Maxime Elbaz, Guillaume Jubien, Ulysse Gimenez","doi":"10.1016/j.msom.2023.12.014","DOIUrl":null,"url":null,"abstract":"<div><h3>Objectif</h3><p>Les micro-éveils sont les événements les moins bien détectés par les algorithmes de scoring automatique des PSG existants. Ils comprennent généralement un trop grand nombre de faux positifs, et sont une perte de temps pour le technicien/le médecin au lieu d’être une aide.</p></div><div><h3>Méthodes</h3><p>Préparation des données : à partir d’une base de données annotée de 160 acquisitions de PSG, une fenêtre de 120s est extraite pour chaque micro-éveil. Des techniques d’augmentation de la donnée (ajout de bruit blanc, permutations de signaux, variation de la durée pré-micro-éveil) sont appliquées pour atteindre une volumétrie de 40 000 micro-éveils. Algorithme : un modèle CRNN (Convolutional Recurrent Neural Network) est appliqué avec la bibliothèque TensorFlow. Les calculs d’entraînement sont déployés dans l’infrastructure Sagemaker (AWS), et les hyperparamètres sont optimisés avec l’entraînement d’une centaine de modèles avec la métrique de performance d’aire sous la courbe.</p></div><div><h3>Résultats</h3><p>L’algorithme obtient des performances de PPA/NPA (Positive/Negative Predictive Average) de 70 %, 96 % contre 68,82 %, 90,06 % pour l’algorithme concurrent de NoxMedical.</p></div><div><h3>Conclusion</h3><p>L’algorithme développé améliore la détection de micro-éveils (meilleur PPA), mais diminue surtout le nombre de faux positifs détectés (2,5 fois moins de fausses détections).</p></div>","PeriodicalId":100905,"journal":{"name":"Médecine du Sommeil","volume":"21 1","pages":"Page 8"},"PeriodicalIF":0.0000,"publicationDate":"2024-02-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Médecine du Sommeil","FirstCategoryId":"1085","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S1769449323003631","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Objectif
Les micro-éveils sont les événements les moins bien détectés par les algorithmes de scoring automatique des PSG existants. Ils comprennent généralement un trop grand nombre de faux positifs, et sont une perte de temps pour le technicien/le médecin au lieu d’être une aide.
Méthodes
Préparation des données : à partir d’une base de données annotée de 160 acquisitions de PSG, une fenêtre de 120s est extraite pour chaque micro-éveil. Des techniques d’augmentation de la donnée (ajout de bruit blanc, permutations de signaux, variation de la durée pré-micro-éveil) sont appliquées pour atteindre une volumétrie de 40 000 micro-éveils. Algorithme : un modèle CRNN (Convolutional Recurrent Neural Network) est appliqué avec la bibliothèque TensorFlow. Les calculs d’entraînement sont déployés dans l’infrastructure Sagemaker (AWS), et les hyperparamètres sont optimisés avec l’entraînement d’une centaine de modèles avec la métrique de performance d’aire sous la courbe.
Résultats
L’algorithme obtient des performances de PPA/NPA (Positive/Negative Predictive Average) de 70 %, 96 % contre 68,82 %, 90,06 % pour l’algorithme concurrent de NoxMedical.
Conclusion
L’algorithme développé améliore la détection de micro-éveils (meilleur PPA), mais diminue surtout le nombre de faux positifs détectés (2,5 fois moins de fausses détections).