Publicação
Deep learning-based estimation of respiration from PPG: from rate extraction to apnea phenotype detection in wearable devices
| datacite.subject.fos | Ciências Médicas::Biotecnologia Médica | |
| datacite.subject.fos | Ciências Naturais::Ciências da Computação e da Informação | |
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Médica | |
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| dc.contributor.advisor | Mendonça, Fábio Rúben Silva | |
| dc.contributor.advisor | Durmer, Jeffrey Scott | |
| dc.contributor.author | Rodrigues, Sandro Canada | |
| dc.date.accessioned | 2026-10-16T13:53:58Z | |
| dc.date.available | 2026-10-16T13:53:58Z | |
| dc.date.issued | 2026-09-17 | |
| dc.description.abstract | Sleep apnea a ects nearly one billion people worldwide, yet diagnosis still relies on polysomnogra phy, which is costly and complex. Wearable photoplethysmographic (PPG) sensors could support large-scale screening, but current methods mostly estimate respiratory rate or detect apnea within a single dataset, and phenotype analysis and cross-sensor generalization remain limited. This work presents a deep learning pipeline for sleep apnea detection, severity estimation and phenotype classi cation from PPG signals. A CNN-LSTM model rst showed that respiratory information can be extracted from PPG, with mean absolute errors of 1.70 and 1.80 breaths per minute on two held-out public test sets (BIDMC and CapnoBase). The CoTELMo architecture, a CNN-BiLSTM model trained on event level annotations from 2,056 patients of the Multi-Ethnic Study of Atherosclerosis (MESA), then screened moderate-to-severe apnea with an Area Under the Receiver Operating Characteristic Curve (AUC) of 0.909, and a two-stage regression estimated the apnea-hypopnea index with a Pearson correlation of 0.853. On the Cleveland Family Study (N=324), performance fell to an AUC of 0.568 without adapta tion, while ne-tuning with a frozen backbone and patient-level labels recovered an AUC of 0.832. In an exploratory pilot with a commercial wearable ring (N=46, of which 12 were pathological), direct inference reached an AUC of 0.917 for severe obstructive apnea, and CoTELMo-derived features separated obstructive from central apnea in all 12 pathological cases. These pilot results require validation in larger cohorts. The results suggest that PPG can support apnea screening and severity estimation, but that transfer to new sensors and populations requires supervised adaptation and local validation. | eng |
| dc.description.abstract | A apneia do sono afeta cerca de mil milhıes de pessoas em todo o mundo, mas o diagn stico con tinua a depender da polissonogra a, um exame dispendioso e complexo. Os sensores fotopletismo grÆ cos (PPG) de dispositivos vestveis podem apoiar o rastreio em larga escala, mas os mØtodos atuais focam-se sobretudo na frequŒncia respirat ria ou na deteªo de apneia num œnico conjunto de dados, e a anÆlise fenotpica e a generalizaªo entre sensores continuam limitadas. Esta disser taªo apresenta um pipeline de aprendizagem profunda para deteªo de apneia do sono, estimativa de severidade e classi caªo fenotpica a partir de sinais PPG. Um modelo CNN-LSTM mostrou primeiro que Ø possvel extrair informaªo respirat ria do PPG, com erros absolutos mØdios de 1,70 e 1,80 respiraıes por minuto em dois conjuntos de teste pœblicos reservados (BIDMC e CapnoBase). A arquitetura CoTELMo, um modelo CNN BiLSTM treinado com anotaıes ao nvel do evento de 2.056 pacientes do Multi-Ethnic Study of Atherosclerosis (MESA), rastreou apneia moderada a severa com AUC de 0,909, e uma regressªo em duas fases estimou o ndice de apneia-hipopneia com uma correlaªo de Pearson de 0,853. No Cleveland Family Study (N=324), o desempenho desceu para AUC 0,568 sem adaptaªo, enquanto o ajuste no com backbone congelado e r tulos ao nvel do paciente recuperou AUC 0,832. Num piloto explorat rio com um anel vestvel comercial (N=46, dos quais 12 patol gicos), a inferŒncia direta obteve AUC 0,917 para apneia obstrutiva severa, e as caractersticas derivadas do CoTELMo separaram a apneia obstrutiva da central nos 12 casos patol gicos. Estes resultados do piloto requerem validaªo em coortes maiores. Os resultados sugerem que o PPG pode apoiar o rastreio e a estimativa de severidade da apneia, mas que a transferŒncia para novos sensores e populaıes exige adaptaªo supervisionada e validaªo local. | por |
| dc.identifier.tid | 204366895 | |
| dc.identifier.uri | http://hdl.handle.net/10400.13/7989 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Deep learning | |
| dc.subject | Photoplethysmography | |
| dc.subject | Sleep apnea | |
| dc.subject | Transfer learning | |
| dc.subject | Phenotype Classification | |
| dc.subject | Wearable devices | |
| dc.subject | Aprendizagem profunda | |
| dc.subject | Fotopletismografia | |
| dc.subject | Apneia do sono | |
| dc.subject | Transferência de aprendizagem | |
| dc.subject | Classificação fenotípica | |
| dc.subject | Dispositivos vestíveis | |
| dc.subject | Informatics Engineering | |
| dc.subject | . | |
| dc.subject | Faculdade de Ciências Exatas e da Engenharia | |
| dc.title | Deep learning-based estimation of respiration from PPG: from rate extraction to apnea phenotype detection in wearable devices | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Master in Informatics Engineering |