Le dépistage à grande échelle de l’apnée du sommeil est limité par la complexité des moyens d’analyse. Le ronflement est un signe cardinal des apnées obstructives du sommeil. Cependant son évaluation subjective est aléatoire et son évaluation objective se fait dans un cadre médical qui dépasse celui du dépistage. Des méthodes automatiques pour analyser les bruits de ronflement ont été proposées. Ces méthodes reposent sur des modélisations soit insuffisantes soit non réalistes (microphones spécifiques etc). Notre objectif est de construire un modèle de détection et donc de caractérisation des ronflements par l’utilisation de smartphones standards en conditions réelles.

Nous avons utilisé une démarche de machine learning dans R-Construction d’une base de données hétérogène 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 caractéristiques spectrales/temporelles selon PLoS One 8(12) e84139 - modélisation par apprentissage supervisé support vector machine evaluation de la performance selon une procédure Leave-One-Out-Cross sur les enregistrements.

La performance obtenue est : taux de succès=80 %, spécificité=84 %, sensibilité=74 %, Cohen's kappa=0,52, F1Score=0,73.

En utilisant une méthode de machine learning nous avons intégré un modèle performant de détection acoustique des ronflements dans un environnement smartphone standard. Cette application est déployée dans des études cliniques en cours pour caractériser finement le ronflement.