論文の概要: Application of Machine Learning to Sleep Stage Classification
- arxiv url: http://arxiv.org/abs/2111.03085v1
- Date: Thu, 4 Nov 2021 18:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 15:50:03.340352
- Title: Application of Machine Learning to Sleep Stage Classification
- Title（参考訳）: 睡眠ステージ分類への機械学習の適用
- Authors: Andrew Smith, Hardik Anand, Snezana Milosavljevic, Katherine M.
Rentschler, Ana Pocivavsek, Homayoun Valafar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7196441171503458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sleep studies are imperative to recapitulate phenotypes associated with sleep
loss and uncover mechanisms contributing to psychopathology. Most often,
investigators manually classify the polysomnography into vigilance states,
which is time-consuming, requires extensive training, and is prone to
inter-scorer variability. While many works have successfully developed
automated vigilance state classifiers based on multiple EEG channels, we aim to
produce an automated and open-access classifier that can reliably predict
vigilance state based on a single cortical electroencephalogram (EEG) from
rodents to minimize the disadvantages that accompany tethering small animals
via wires to computer programs. Approximately 427 hours of continuously
monitored EEG, electromyogram (EMG), and activity were labeled by a domain
expert out of 571 hours of total data. Here we evaluate the performance of
various machine learning techniques on classifying 10-second epochs into one of
three discrete classes: paradoxical, slow-wave, or wake. Our investigations
include Decision Trees, Random Forests, Naive Bayes Classifiers, Logistic
Regression Classifiers, and Artificial Neural Networks. These methodologies
have achieved accuracies ranging from approximately 74% to approximately 96%.
Most notably, the Random Forest and the ANN achieved remarkable accuracies of
95.78% and 93.31%, respectively. Here we have shown the potential of various
machine learning classifiers to automatically, accurately, and reliably
classify vigilance states based on a single EEG reading and a single EMG
reading.
- Abstract（参考訳）: 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、調査員はポリソムノグラフィを時間を要する自警状態に手動で分類するが、これには広範な訓練が必要である。
多くの研究が複数のEEGチャネルをベースとした自動警戒状態分類器の開発に成功しているのに対し,我々は単一皮質脳波(EEG)に基づいて警戒状態を確実に予測し,小型動物をワイヤでコンピュータプログラムに繋ぐ欠点を最小限に抑えることを目的としている。
脳波、筋電図(EMG)、活動の約427時間は、合計571時間のうちドメインの専門家によってラベル付けされた。
本稿では,10秒のエポックを3つの離散クラス(パラドックス,スローウェーブ,ウェイク)の1つに分類する,さまざまな機械学習手法の性能を評価する。
我々の調査には、決定木、ランダムフォレスト、ナイーブベイズ分類器、ロジスティック回帰分類器、ニューラルネットワークが含まれる。
これらの手法は、約74%から約96%の精度を達成した。
特に、ランダムフォレストとANNは、それぞれ95.78%と93.31%という顕著な精度を達成した。
ここでは,1つの脳波と1つのEMG読解に基づく警戒状態を自動的,正確に,確実に分類する各種機械学習分類器の可能性を示す。
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) - 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) - Pediatric Automatic Sleep Staging: A comparative study of
state-of-the-art deep learning methods [16.651453507701966]
小児期自動睡眠ステージングにおける最先端の深層学習手法に関する大規模比較研究を行った。
1200人以上の子どものサンプルを評価するため、6つの異なる特徴を持つ深層ニューラルネットワークの選択が採用されている。
実験の結果,新しい被験者で評価した場合の自動睡眠ステージングの成績は,成人で報告された専門家レベルに匹敵することがわかった。
論文 参考訳（メタデータ） (2021-08-23T15:39:48Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳（メタデータ） (2021-05-14T10:05:10Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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) - RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
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。
論文 参考訳（メタデータ） (2020-05-15T21:48:26Z) - Binary and Multiclass Classifiers based on Multitaper Spectral Features
for Epilepsy Detection [1.721147796970279]
てんかんは脳波(EEG)で診断できる最も一般的な神経疾患の1つである
本稿では,二分分類と多クラス分類の2つの区別文脈にてんかん検出の新しい手法を提案する。
論文 参考訳（メタデータ） (2020-04-02T17:12:33Z) - 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)
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。