論文の概要: Deep Learning for Sleep Stages Classification: Modified Rectified Linear
Unit Activation Function and Modified Orthogonal Weight Initialisation
- arxiv url: http://arxiv.org/abs/2203.04371v1
- Date: Fri, 18 Feb 2022 18:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-13 16:32:17.373900
- Title: Deep Learning for Sleep Stages Classification: Modified Rectified Linear
Unit Activation Function and Modified Orthogonal Weight Initialisation
- Title（参考訳）: 睡眠段階分類のための深層学習:修正整形線形単位活性化関数と修正直交重み初期化
- Authors: Akriti Bhusal, Abeer Alsadoon, P.W.C. Prasad, Nada Alsalami, Tarik A.
Rashid
- Abstract要約: 本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。
提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
- 参考スコア（独自算出の注目度）: 27.681891555949672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Aim: Each stage of sleep can affect human health, and not
getting enough sleep at any stage may lead to sleep disorder like parasomnia,
apnea, insomnia, etc. Sleep-related diseases could be diagnosed using
Convolutional Neural Network Classifier. However, this classifier has not been
successfully implemented into sleep stage classification systems due to high
complexity and low accuracy of classification. The aim of this research is to
increase the accuracy and reduce the learning time of Convolutional Neural
Network Classifier. Methodology: The proposed system used a modified Orthogonal
Convolutional Neural Network and a modified Adam optimisation technique to
improve the sleep stage classification accuracy and reduce the gradient
saturation problem that occurs due to sigmoid activation function. The proposed
system uses Leaky Rectified Linear Unit (ReLU) instead of sigmoid activation
function as an activation function. Results: The proposed system called
Enhanced Sleep Stage Classification system (ESSC) used six different databases
for training and testing the proposed model on the different sleep stages.
These databases are University College Dublin database (UCD), Beth Israel
Deaconess Medical Center MIT database (MIT-BIH), Sleep European Data Format
(EDF), Sleep EDF Extended, Montreal Archive of Sleep Studies (MASS), and Sleep
Heart Health Study (SHHS). Our results show that the gradient saturation
problem does not exist anymore. The modified Adam optimiser helps to reduce the
noise which in turn result in faster convergence time. Conclusion: The
convergence speed of ESSC is increased along with better classification
accuracy compared to the state of art solution.
- Abstract（参考訳）: 背景と目的:睡眠の各段階は人の健康に影響を与え、どの段階でも睡眠不足は睡眠障害、無呼吸、不眠などにつながる可能性がある。
睡眠関連疾患は畳み込みニューラルネットワーク分類器を用いて診断できる。
しかし, この分類器は, 複雑度が高く, 分類精度が低いため, 睡眠ステージ分類システムでは実現されていない。
本研究の目的は,畳み込みニューラルネットワーク分類器の精度を高め,学習時間を短縮することである。
方法: 本システムでは, 修正直交畳み込みニューラルネットワークとadam最適化手法を用いて, 睡眠ステージの分類精度の向上とs状体活性化機能に起因する勾配飽和問題を軽減した。
提案システムでは,sgmoid アクティベーション関数をアクティベーション関数に代えて,relu ( leaky rectified linear unit) を用いる。
結果:essc(enhanced sleep stage classification system)と呼ばれるシステムでは6つの異なるデータベースを用いて異なる睡眠ステージのトレーニングとテストを行った。
これらのデータベースには、University College Dublin database (UCD)、Beth Israel Deaconess Medical Center MIT database (MIT-BIH)、Sleep European Data Format (EDF)、Sleep EDF Extended、Montreal Archive of Sleep Studies (MASS)、Sleep Heart Health Study (SHHS)がある。
その結果, 勾配飽和問題はもはや存在しないことがわかった。
修正されたアダムオプティマイザはノイズを減らすのに役立ち、結果として収束時間が短縮される。
結論: ESSCの収束速度は, 技術ソリューションの状態と比較して, 分類精度の向上とともに向上する。
関連論文リスト
- SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced
Classification of Sleep Stages [4.649202082648198]
本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。
提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
論文 参考訳（メタデータ） (2023-07-04T01:56:00Z) - 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) - Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。
本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文 参考訳（メタデータ） (2023-02-17T07:37:54Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2022-09-09T13:45:27Z) - DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain
Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。
本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文 参考訳（メタデータ） (2022-05-27T02:34:32Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳（メタデータ） (2022-01-29T13:45:39Z) - 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) - 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) - 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) - Automate Obstructive Sleep Apnea Diagnosis Using Convolutional Neural
Networks [4.882119124419393]
本稿では,1次元畳み込み層とFCN層を有するCNNアーキテクチャについて述べる。
提案した1次元CNNモデルはPSG信号を手動で前処理することなく優れた分類結果が得られる。
論文 参考訳（メタデータ） (2020-06-13T15:35:18Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。