Obstructive sleep apnea (OSA) is a non-communicable sleep-related medical condition marked by repeated disruptions in breathing during sleep. It may induce various cardiovascular and neurocognitive complications. Electrocardiography (ECG) is a useful method for detecting numerous health-related disorders. ECG signals provide a less complex and non-invasive solution for the screening of OSA. Automated and accurate detection of OSA may enhance diagnostic performance and reduce the clinician's workload. Traditional machine learning methods typically involve several labor-intensive manual procedures, including signal decomposition, feature evaluation, selection, and categorization. This article presents the time-frequency (T-F) spectrum classification of de-noised ECG data for the automatic screening of OSA patients using deep convolutional neural networks (DCNNs). At first, a filter-fusion algorithm is used to eliminate the artifacts from the raw ECG data. Stock-well transform (S-T) is employed to change filtered time-domain ECG into T-F spectrums. To discriminate between apnea and normal ECG signals, the obtained T-F spectrums are categorized using benchmark Alex-Net and Squeeze-Net, along with a less complex DCNN. The superiority of the presented system is measured by computing the sensitivity, specificity, accuracy, negative predicted value, precision, F1-score, and Fowlkes-Mallows index. The results of comparing all three utilized DCNNs reveal that the proposed DCNN requires fewer learning parameters and provides higher accuracy. An average accuracy of 95.31% is yielded using the proposed system. The presented deep learning system is lightweight and faster than Alex-Net and Squeeze-Net as it utilizes fewer learnable parameters, making it simple and reliable.

In recent times, yoga has gained global prominence due to its wide-ranging health benefits. Heart rate variability (HRV) analysis has become a widely embraced tool to assess the impact of yoga and meditation on individuals. The effects of yoga can vary significantly among individuals based on their prior expertise, skills, and the interplay of external and internal dynamics. This variability complicates the task of extracting distinctive characteristics from raw data to categorize yogic and pre-yogic states. This paper introduces a new approach that enhances the screening of yogic states through multi-resolution analysis of HRV data combined with a machine learning module. The empirical Fourier decomposition (EFD) technique is harnessed to decompose input data into distinct multi-resolution modes. Various statistical characteristics are then extracted from these modes, allowing for a comprehensive analysis of the immediate effects of yoga breathing on HRV signals. To discern between yogic and pre-yogic HRV signals, a selection of significant features is ranked using a chi-square score and subsequently inputted into machine-learning modules. Notably, employing normalized features with the decision medium tree classifier yields an area under the curve (AUC) value of 0.99, while using direct features with an ensemble bagged tree classifier results in an AUC value of 0.82. Furthermore, this research underscores the importance of assessing outcomes from various metrics to compute the underlying dynamics of HRV data during breathing practices. This approach facilitates precise monitoring, personalized feedback, and intervention in yoga machine interfacing systems, ultimately enriching the overall experience and well-being of yoga practitioners.

Abstract Purpose Human monkeypox (MPX) is a viral infection that transmits between individuals via direct contact with animals, bodily fluids, respiratory droplets, and contaminated objects like bedding. Traditional manual screening for the MPX infection is a time‐consuming process prone to human error. Therefore, a computer‐aided MPX screening approach utilizing skin lesion images to enhance clinical performance and alleviate the workload of healthcare providers is needed. The primary objective of this work is to devise an expert system that accurately classifies MPX images for the automatic detection of MPX subjects. Methods This work presents a multi‐modal deep learning system through the fusion of convolutional neural network (CNN) and machine learning algorithms, which effectively and autonomously detect MPX‐infected subjects using skin lesion images. The proposed framework, termed MPXCN‐Net is developed by fusing deep features of three pre‐trained CNNs: MobileNetV2, DarkNet19, and ResNet18. Three classifiers—K‐nearest neighbour, support vector machine (SVM), and ensemble classifier—with various kernel functions, are used to identify infected patients. To validate the efficacy of our proposed system, we employ a publicly accessible MPX skin lesion dataset. Results By amalgamating features extracted from all three CNNs and utilizing the medium Gaussian kernel of the SVM classifier, our proposed system achieves an outstanding average classification accuracy of 90.4%. Conclusions Developed MPXCN‐Net is suitable for testing with a large diversified dataset before being used in clinical settings.

yocardial infarction (MI) stands as one of the most critical cardiac complications, occurring when blood flow to the cardiovascular system is partially or completely blocked. Electrocardiography (ECG) is an invaluable tool for detecting diverse cardiac irregularities. Manual investigation of MI-induced ECG changes is tedious, laborious, and time-consuming. Nowadays, deep-learningbased algorithms are widely investigated to detect various cardiac abnormalities and enhance the performance of medical diagnostic systems. Therefore, this work presents a lightweight deep learning framework (CardioNet) for MI detection using ECG signals. To construct time-frequency (T-F) spectrograms, filtered ECG sensor data is subjected to the short-time Fourier transform, movable Gaussian window-based S-transform (ST), and smoothed pseudo-Wigner-Ville distribution methods. To develop an automated MI detection system, obtained spectrograms are fed to benchmark Squeeze-Net, Alex-Net, and a newly developed, lightweight deep learning model. The developed CardioNet with ST-based T-F images has obtained an average classification accuracy of 99.82%, a specificity of 99.57%, and a sensitivity of 99.97%. The proposed system, in combination with a cloud-based algorithm, is suitable for designing wearable to detect several cardiac diseases using other biological signals from the cardiovascular system.yocardial infarction (MI) stands as one of the most critical cardiac complications, occurring when blood flow to the cardiovascular system is partially or completely blocked. Electrocardiography (ECG) is an invaluable tool for detecting diverse cardiac irregularities. Manual investigation of MI-induced ECG changes is tedious, laborious, and time-consuming. Nowadays, deep-learning-based algorithms are widely investigated to detect various cardiac abnormalities and enhance the performance of medical diagnostic systems. Therefore, this work presents a lightweight deep learning framework (CardioNet) for MI detection using ECG signals. To construct time-frequency (T-F) spectrograms, filtered ECG sensor data is subjected to the short-time Fourier transform, movable Gaussian windowbased S-transform (ST), and smoothed pseudo-Wigner-Ville distribution methods. To develop an automated MI detection system, obtained spectrograms are fed to benchmark Squeeze-Net, Alex-Net, and a newly developed, lightweight deep learning model. The developed CardioNet with ST-based T-F images has obtained an average classification accuracy of 99.82%, a specificity of 99.57%, and a sensitivity of 99.97%. The proposed system, in combination with a cloud-based algorithm, is suitable for designing wearable to detect several cardiac diseases using other biological signals from the cardiovascular system.M.