論文の概要: Sleep Staging Based on Serialized Dual Attention Network

• arxiv url: http://arxiv.org/abs/2107.08442v1
• Date: Sun, 18 Jul 2021 13:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:39:03.875473
• Title: Sleep Staging Based on Serialized Dual Attention Network
• Title（参考訳）: 連続的2重注意ネットワークに基づく睡眠ステージング
• Authors: Huafeng Wang (1), Chonggang Lu (1), Qi Zhang (1), Zhimin Hu (1), Xiaodong Yuan (2), Pingshu Zhang (2), Wanquan Liu (3) ((1) School of Information, North China University of Technology,(2) Department of Neurology, Kailuan General Hospital, Tangshan,(3) School of Intelligent Systems Engineering, Sun Yat-sen University)
• Abstract要約: 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。
• 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: Sleep staging assumes an important role in the diagnosis of sleep disorders. In general, experts classify sleep stages manually based on polysomnography (PSG), which is quite time-consuming. Meanwhile, the acquisition of multiple signals is complex, which can affect the subject's sleep. Therefore, the use of single-channel electroencephalogram (EEG) for automatic sleep staging has become mainstream. In the literature, a large number of sleep staging methods based on single-channel EEG have been proposed with good results and realize the preliminary automation of sleep staging. However, the performance for most of these methods in the N1 stage is generally not high. In this paper, we propose a deep learning model SDAN based on raw EEG. The method utilises a one-dimensional convolutional neural network (CNN) to automatically extract features from raw EEG. It serially combines the channel attention and spatial attention mechanisms to filter and highlight key information and then uses soft threshold to eliminate redundant information. Additionally, we introduce a residual network to avoid degradation problems caused by network deepening. Experiments were conducted using two datasets with 5-fold cross-validation and hold-out validation method. The final average accuracy, overall accuracy, macro F1 score and Cohen's Kappa coefficient of the model reach 96.74%, 91.86%, 82.64% and 0.8742 on the Sleep-EDF dataset, and 95.98%, 89.96%, 79.08% and 0.8216 on the Sleep-EDFx dataset. Significantly, our model performed superiorly in the N1 stage, with F1 scores of 54.08% and 52.49% on the two datasets respectively. The results show the superiority of our network over the best existing methods, reaching a new state-of-the-art. In particular, the present method achieves excellent results in the N1 sleep stage compared to other methods.
• Abstract（参考訳）: 睡眠ステージングは睡眠障害の診断において重要な役割を担っている。 一般的に、専門家は睡眠段階をPSG(polysomnography)に基づいて手動で分類する。 一方、複数の信号の取得は複雑であり、被験者の睡眠に影響を与える可能性がある。 そのため、自動睡眠ステージングにおける単一チャンネル脳波(EEG)の使用が主流となっている。 文献では,単チャンネル脳波に基づく睡眠ステージリング法が多数提案されており,睡眠ステージングの予備的自動化を実現している。 しかしながら、N1段階におけるこれらの手法のほとんどの性能は一般的には高くない。 本稿では,生の脳波に基づく深層学習モデルSDANを提案する。 1次元畳み込みニューラルネットワーク(CNN)を利用して、生の脳波から特徴を自動的に抽出する。 チャンネルアテンションと空間アテンションを連続的に組み合わせ、キー情報をフィルタリングしてハイライトし、ソフトしきい値を使って冗長な情報を排除する。 さらに,ネットワークの深化に伴う劣化問題を回避するために,残差ネットワークを導入する。 5倍のクロスバリデーションとホールドアウト検証の2つのデータセットを用いて実験を行った。 最終的な平均精度、総合精度、マクロF1スコア、コーエンのカッパ係数は、Sleep-EDFデータセットで96.74%、91.86%、82.64%、0.8742、95.98%、89.96%、79.08%、0.8216に達した。 有意な成績を示したのは,2つのデータセットでそれぞれ54.08%,52.49%のf1スコアを示したn1ステージであった。 その結果,既存手法に比べてネットワークの優位性が向上し,新たな最先端技術がもたらされた。 特に,n1睡眠段階において他の方法と比較して優れた結果を得た。

関連論文リスト

• Classification of sleep stages from EEG, EOG and EMG signals by SSNet [2.1915057426589746]
  睡眠段階の分類は、睡眠障害ブレスティング(SDB)病を含む睡眠関連疾患の診断において重要な役割を担っている。 我々は,CNNとLSTMに基づく2つのディープラーニングネットワークからなる,SSNetというエンドツーエンドのディープラーニングアーキテクチャを提案する。 本モデルでは, 睡眠段階の分類において, 最先端技術と比較して最高の性能を達成している。
  論文  参考訳（メタデータ） (2023-07-03T01:05:24Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
  高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。 深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。 コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
  論文  参考訳（メタデータ） (2021-07-07T15:38:47Z)
• 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)
• Temporal convolutional networks and transformers for classifying the sleep stage in awake or asleep using pulse oximetry signals [0.0]
  覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。 トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。 全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
  論文  参考訳（メタデータ） (2021-01-29T22:58:33Z)
• 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)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。