論文の概要: RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection

• arxiv url: http://arxiv.org/abs/2005.07795v2
• Date: Sat, 3 Oct 2020 18:42:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 22:52:54.591454
• Title: RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection
• Title（参考訳）: RED:スリープ脳波イベント検出のためのディープリカレントニューラルネットワーク
• Authors: Nicol\'as I. Tapia, Pablo A. Est\'evez
• Abstract要約: 我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brain electrical activity presents several short events during sleep that can be observed as distinctive micro-structures in the electroencephalogram (EEG), such as sleep spindles and K-complexes. These events have been associated with biological processes and neurological disorders, making them a research topic in sleep medicine. However, manual detection limits their study because it is time-consuming and affected by significant inter-expert variability, motivating automatic approaches. We propose a deep learning approach based on convolutional and recurrent neural networks for sleep EEG event detection called Recurrent Event Detector (RED). RED uses one of two input representations: a) the time-domain EEG signal, or b) a complex spectrogram of the signal obtained with the Continuous Wavelet Transform (CWT). Unlike previous approaches, a fixed time window is avoided and temporal context is integrated to better emulate the visual criteria of experts. When evaluated on the MASS dataset, our detectors outperform the state of the art in both sleep spindle and K-complex detection with a mean F1-score of at least 80.9% and 82.6%, respectively. Although the CWT-domain model obtained a similar performance than its time-domain counterpart, the former allows in principle a more interpretable input representation due to the use of a spectrogram. The proposed approach is event-agnostic and can be used directly to detect other types of sleep events.
• Abstract（参考訳）: 脳の電気活動は、睡眠中にいくつかの短い出来事を示し、脳波(EEG)の特徴的な微細構造として観察される。 これらの出来事は生物学的プロセスや神経障害と関連しており、睡眠医学の研究テーマとなっている。 しかし、手動検出は時間を要するため研究を制限し、専門家間の大きな変動の影響を受け、自動的なアプローチを動機付けている。 本稿では,睡眠脳波イベント検出のための畳み込みおよび繰り返しニューラルネットワークに基づく深層学習手法であるrecurrent event detector (red)を提案する。 REDは2つの入力表現のうちの1つを使用します。 a) 時間領域脳波信号、又は b)連続ウェーブレット変換(cwt)により得られた信号の複素分光図。 従来のアプローチとは異なり、固定時間ウィンドウは避けられ、時間コンテキストは専門家の視覚的基準をよりうまくエミュレートするために統合される。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れている。 cwtドメインモデルは、時間領域モデルと同様の性能を得たが、前者は、スペクトログラムの使用により、原則としてより解釈可能な入力表現を可能にする。 提案手法は事象を認識せず、他の種類の睡眠イベントを検出するために直接使用できる。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
  本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。 特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。 教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
  論文  参考訳（メタデータ） (2022-09-20T04:10:49Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Application of Machine Learning to Sleep Stage Classification [0.7196441171503458]
  睡眠研究は、睡眠喪失と精神病理に寄与するメカニズムの解明に関連する表現型を再カプセル化するために不可欠である。 多くの場合、調査員は手動でポリソムノグラフィーを警戒状態に分類する。 我々は,単一の脳波読み取りに基づいて警戒状態を確実に予測できる,自動かつオープンアクセスの分類器を作ることを目指している。
  論文  参考訳（メタデータ） (2021-11-04T18:00:50Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• MRNet: a Multi-scale Residual Network for EEG-based Sleep Staging [5.141687309207561]
  マルチスケール機能融合モデルと逐次補正アルゴリズムを統合し,データ駆動型スリープステージングのためのMRNetと呼ばれる新しいフレームワークを提案する。 EEG信号は、深い機能の表現に影響を与えるネットワーク伝播におけるかなりの詳細な情報を失う。 実験結果は,提案手法の精度とf1得点の両方における競合性能を示す。
  論文  参考訳（メタデータ） (2021-01-07T13:48:30Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。