One aspect of the present invention is to assess the performance of automated analysis of blood oxygen saturation (SpO2) recordings as a screening tool for OSAHS. As an initial step, statistical, spectral and nonlinear features are estimated to compose an initial feature set. Then, a fast correlation-based filter (FCBF) is next applied to search for the optimum subset. Finally, the discrimination power (OSAHS negative vs. OSAHS positive) of three pattern recognition algorithms is assessed: linear discriminant analysis (LDA), quadratic discriminant analysis (QDA) and logistic regression (LR). According to another aspect of the invention, oximetry is used to determine the OSAHS severity in children. For testing the severity of OSAHS, first spectral analysis is conducted to define and characterize a frequency band of interest in SpO2. Then the spectral data is combined with 3% oxygen desaturation index (ODI3) by means of a multi-layer perceptron (MLP) neural network, in order to classify children into one of the three OSAHS severity groups.Un aspect de la présente invention est d'évaluer les performances d'analyse automatique de la saturation en oxygène du sang (Sp02) enregistrées en tant qu'outil de criblage pour OSAHS. Comme qu'étape initiale, des caractéristiques statistiques, spectrales et non linéaires sont estimées afin de composer un ensemble de caractéristiques initiales. Puis, un filtre à base de corrélation rapide (FBCR) est ensuite appliqué afin de rechercher le sous-ensemble optimal. Enfin, la puissance de discrimination (OSAHS positive vs OSAHS négative) de trois algorithmes de reconnaissance de motif est évaluée : analyse discriminante linéaire (ADL), analyse de discrimination quadratique (ADQ) et régression logistique (RL). Selon un autre aspect de l'invention, l'oxymétrie est utilisée pour déterminer la sévérité d'OSAHS chez les enfants. Pour tester la gravité d'OSAHS, une première analyse spectrale est réalisée pour définir et caractériser une fréquenc
