Développement d’une méthode de détection acoustique automatique sur smartphone pour la caractérisation fine des ronflements

Objectif Le depistage a grande echelle de l’apnee du sommeil est limite par la complexite des moyens d’analyse. Le ronflement est un signe cardinal des apnees obstructives du sommeil. Cependant son evaluation subjective est aleatoire et son evaluation objective se fait dans un cadre medical qui depasse celui du depistage. Des methodes automatiques pour analyser les bruits de ronflement ont ete proposees. Ces methodes reposent sur des modelisations soit insuffisantes soit non realistes (microphones specifiques etc). Notre objectif est de construire un modele de detection et donc de caracterisation des ronflements par l’utilisation de smartphones standards en conditions reelles. Methodes Nous avons utilise une demarche de machine learning dans R-Construction d’une base de donnees heterogene d’enregistrements nocturnes audio chez 50 volontaires sains (30–60 ans, H/F) utilisant leur smartphone personnel au domicile - annotation manuelle de 10 000 ronflements - extraction de caracteristiques spectrales/temporelles selon PLoS One 8(12) e84139 - modelisation par apprentissage supervise support vector machine evaluation de la performance selon une procedure Leave-One-Out-Cross sur les enregistrements. Resultats La performance obtenue est : taux de succes = 80 %, specificite = 84 %, sensibilite = 74 %, Cohen's kappa = 0,52, F1Score = 0,73. Conclusion En utilisant une methode de machine learning nous avons integre un modele performant de detection acoustique des ronflements dans un environnement smartphone standard. Cette application est deployee dans des etudes cliniques en cours pour caracteriser finement le ronflement.