論文の概要: MRNet: a Multi-scale Residual Network for EEG-based Sleep Staging
- arxiv url: http://arxiv.org/abs/2101.02538v1
- Date: Thu, 7 Jan 2021 13:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 16:22:43.606125
- Title: MRNet: a Multi-scale Residual Network for EEG-based Sleep Staging
- Title（参考訳）: MRNet:脳波による睡眠安定のためのマルチスケール残留ネットワーク
- Authors: Xue Jiang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.141687309207561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep staging based on electroencephalogram (EEG) plays an important role in
the clinical diagnosis and treatment of sleep disorders. In order to emancipate
human experts from heavy labeling work, deep neural networks have been employed
to formulate automated sleep staging systems recently. However, EEG signals
lose considerable detailed information in network propagation, which affects
the representation of deep features. To address this problem, we propose a new
framework, called MRNet, for data-driven sleep staging by integrating a
multi-scale feature fusion model and a Markov-based sequential correction
algorithm. The backbone of MRNet is a residual block-based network, which
performs as a feature extractor.Then the fusion model constructs a feature
pyramid by concatenating the outputs from the different depths of the backbone,
which can help the network better comprehend the signals in different scales.
The Markov-based sequential correction algorithm is designed to reduce the
output jitters generated by the classifier. The algorithm depends on a prior
stage distribution associated with the sleep stage transition rule and the
Markov chain. Experiment results demonstrate the competitive performance of our
proposed approach on both accuracy and F1 score (e.g., 85.14% Acc and 78.91% F1
score on Sleep-EDFx, and 87.59% Acc and 79.62% F1 score on Sleep-EDF).
- Abstract（参考訳）: 脳電図(EEG)に基づく睡眠ステージングは、睡眠障害の臨床的診断と治療において重要な役割を担っている。
重ラベル作業から人間の専門家を推定するために、ディープニューラルネットワークが近年、自動睡眠ステージシステムの構築に使用されている。
しかし、脳波信号は、深い特徴の表現に影響を与えるネットワーク伝播の詳細な情報を失う。
そこで本研究では,マルチスケール特徴融合モデルとマルコフに基づく逐次補正アルゴリズムを統合し,データ駆動睡眠ステージングのための新しいフレームワークmrnetを提案する。
MRNetのバックボーンは、特徴抽出器として機能する残留ブロックベースネットワークであり、融合モデルでは、バックボーンの異なる深さから出力を結合することで特徴ピラミッドを構築し、ネットワークが異なるスケールで信号を理解するのに役立つ。
マルコフに基づく逐次補正アルゴリズムは、分類器が生成する出力ジッタを減らすように設計されている。
このアルゴリズムは、睡眠段階遷移規則とマルコフ連鎖に関連する前段階分布に依存する。
実験の結果,提案手法の精度とF1得点(例えば,Sleep-EDFxでは85.14% Acc,78.91% F1得点,Sleep-EDFでは87.59% Acc,79.62% F1得点)の競合性能を示した。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - MPCNN: A Novel Matrix Profile Approach for CNN-based Sleep Apnea
Classification [0.0]
睡眠時無呼吸症(SA)は、世界的な健康問題を引き起こす重要な呼吸器疾患である。
心電図(ECG)に基づくSA診断における,いくつかの機械学習モデルとディープラーニングモデルについて検討した。
本稿では,心電図信号の包括的セグメントを深く掘り下げることで,この診断ギャップに対処する革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-11-25T14:39:12Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - HARDC : A novel ECG-based heartbeat classification method to detect
arrhythmia using hierarchical attention based dual structured RNN with
dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。
提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。
以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文 参考訳（メタデータ） (2023-03-06T13:26:29Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - 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) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳（メタデータ） (2020-12-10T08:37:44Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。