Abstract: D. Padovano, A. Martinez-Rodrigo, J. Pastor, J. Rieta, R. Alcaraz (2022)

Obstructive sleep apnea (OSA) is a respiratory disorder highly correlated with multiple cardiovascular diseases. In the last two decades, several alternatives have been proposed to palliate the limitations of polysomnography, the current gold standard for OSA diagnosis. Such alternatives were mainly based on the heart rate variability in combination with machine learning (ML) techniques, obtaining promising results. However, the majority of these works used a cross-validation approach for the validation of the proposed methods, and rarely tested them on external sources of newly added data. Hence, some of the most common algorithms found in the state of the art have been evaluated with cross-validation and external validation in this work. The obtained results have raised important concerns on the real performance shown by the typical ML-based OSA detection methods in more realistic scenarios.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Hidden Hazards Beneath Cross-Validation Methods in Machine Learning-Based Sleep Apnea Detection