远程睡眠呼吸和呼吸暂停监测的热成像和雷达
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文介绍了多种非侵入性睡眠监测技术，包括基于机器学习的呼吸暂停检测、智能手机应用的自动评分方法，以及利用红外视频和深度学习进行睡眠分期分类。这些技术在准确性和适用性方面表现优异，尤其在高噪声环境中，展现了在睡眠研究和个性化医疗中的潜力。
❓
Q&A
有哪些非侵入性的睡眠监测技术？
非侵入性的睡眠监测技术包括基于机器学习的呼吸暂停检测、智能手机应用的自动评分方法，以及利用红外视频和深度学习进行睡眠分期分类。
SlAction系统的准确率是多少？
SlAction系统的睡眠呼吸暂停检测准确率达到87.6%。
Apneal应用程序如何评估患者的AHI？
Apneal应用程序使用智能手机传感器进行AHI评分，手动评分与PSG评分一致，且深度学习模型的自动评分方法表现良好。
SleepVST方法的主要特点是什么？
SleepVST是一种基于Transformer模型的睡眠分期分类方法，通过视频数据取得领先表现。
新开发的数据集S3VE有什么特点？
S3VE数据集包括105个受试者和154,573个视频剪辑，达1100个小时长，用于识别睡眠阶段。
SLEEPNET工具的准确性如何？
SLEEPNET工具在超过10000名患者的数据集上训练，准确性超过85%。
🏷️
