Belun Ring Gen3 深度学习算法与亚胸骨体传感器的验证

简要摘要

假设：BR的Gen3深度学习算法与胸骨下传感器结合，可以准确诊断OSA，分类其严重程度，识别REM OSA和仰卧位OSA，并检测中枢性睡眠呼吸暂停（CSA）。 主要目标： 严格评估BR在Gen3深度学习算法和胸骨下传感器辅助下，对疑似睡眠呼吸暂停且STOP-Bang评分>3的睡眠实验室患者的SDB评估的整体性能，通过与实验室内的多导睡眠图（PSG）这一金标准进行比较。 次要目标： 通过将Gen3深度学习算法与实验室内的PSG进行比较，确定BR睡眠阶段参数的准确性； 评估BR心律失常检测算法的准确性； 评估CPAP对HRV（时域和频域）、delta HR、缺氧负担和脉波幅度下降指数（PWADI）在分夜研究中的影响； 评估任何基线HRV参数（时域和频域）、delta心率（称为Delta HR）、缺氧负担、脉波幅度下降指数（PWADI）或这些参数的变化是否可以预测CPAP的依从性； 评估BR实现OSA诊断所需的最短高质量数据时长； 检查使用由台湾大学医院（NTUH）和东北俄亥俄医学大学（NEOMED）制定的OSA预测AI模型进行的OSA筛查工具的性能。