論文の概要: Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring

• arxiv url: http://arxiv.org/abs/2107.11045v1
• Date: Fri, 23 Jul 2021 06:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 14:13:59.010463
• Title: Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring
• Title（参考訳）: 睡眠ステージスコアリングのための不均一信号に対する畳み込みニューラルネットワークのアンサンブル
• Authors: Enrique Fernandez-Blanco, Carlos Fernandez-Lozano, Alejandro Pazos, Daniel Rivero
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.30661835412352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the years, several approaches have tried to tackle the problem of performing an automatic scoring of the sleeping stages. Although any polysomnography usually collects over a dozen of different signals, this particular problem has been mainly tackled by using only the Electroencephalograms presented in those records. On the other hand, the other recorded signals have been mainly ignored by most works. This paper explores and compares the convenience of using additional signals apart from electroencephalograms. More specifically, this work uses the SHHS-1 dataset with 5,804 patients containing an electromyogram recorded simultaneously as two electroencephalograms. To compare the results, first, the same architecture has been evaluated with different input signals and all their possible combinations. These tests show how, using more than one signal especially if they are from different sources, improves the results of the classification. Additionally, the best models obtained for each combination of one or more signals have been used in ensemble models and, its performance has been compared showing the convenience of using these multi-signal models to improve the classification. The best overall model, an ensemble of Depth-wise Separational Convolutional Neural Networks, has achieved an accuracy of 86.06\% with a Cohen's Kappa of 0.80 and a $F_{1}$ of 0.77. Up to date, those are the best results on the complete dataset and it shows a significant improvement in the precision and recall for the most uncommon class in the dataset.
• Abstract（参考訳）: ここ数年、睡眠ステージの自動スコアリングを行うという問題にいくつかのアプローチが取り組まれてきた。 ポリソノグラフィーは通常、12以上の異なる信号を収集するが、これらの記録に示される脳電図のみを用いて、この問題に対処してきた。 一方、他の録音信号は主に多くの作品で無視されている。 本稿では脳波以外の追加信号の利便性について検討し比較する。 具体的には、2つの脳波として同時に記録された筋電図を含む5,804人の患者でSHHS-1データセットを使用する。 結果を比較するために、最初に同じアーキテクチャを異なる入力信号とそれらのすべての組み合わせで評価した。 これらのテストでは、特に異なるソースの信号が複数の信号を使用することで、分類結果が改善されることを示す。 さらに、1つ以上の信号の組み合わせごとに得られる最良のモデルがアンサンブルモデルで使用され、その性能はこれらの多信号モデルを用いて分類を改善する利便性を示している。 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、Cohen's Kappa の 0.80 と$F_{1}$ の 0.77 で 86.06 % の精度を達成した。 これまでのところ、これらは完全なデータセットの最高の結果であり、データセットで最も珍しいクラスの精度とリコールが大幅に改善されていることを示している。

関連論文リスト

• Recurrent and Convolutional Neural Networks in Classification of EEG Signal for Guided Imagery and Mental Workload Detection [0.9895793818721335]
  本稿では,26名の学生を対象に,高密度アレイ脳波増幅器を用いたガイド画像緩和技術と精神作業負荷に関する調査を行った。
  論文  参考訳（メタデータ） (2024-05-27T07:49:30Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)
• Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
  本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。 このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。 これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
  論文  参考訳（メタデータ） (2020-02-03T15:47:00Z)
• Multimodal Affective States Recognition Based on Multiscale CNNs and Biologically Inspired Decision Fusion Model [9.006757372508366]
  マルチモーダルな生理的信号に基づく感情状態認識法はまだ十分に活用されていない。 本稿では,マルチスケール畳み込みニューラルネットワーク(Multiscale CNN)と,感情状態認識のための生物学的にインスパイアされた決定融合モデルを提案する。 その結果, 融合モデルでは, 単一モダリティ信号と比較すると, 感情状態認識の精度が有意に向上することがわかった。
  論文  参考訳（メタデータ） (2019-11-29T01:35:23Z)

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。