論文の概要: Unveil Sleep Spindles with Concentration of Frequency and Time
- arxiv url: http://arxiv.org/abs/2310.18381v1
- Date: Fri, 27 Oct 2023 02:46:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 19:00:31.106417
- Title: Unveil Sleep Spindles with Concentration of Frequency and Time
- Title（参考訳）: 頻度と時間集中で睡眠スピンドルを現わす
- Authors: Riki Shimizu and Hau-Tieng Wu
- Abstract要約: 非線形時間周波数解析ツール「Concentration of Frequency and Time」(ConceFT)について紹介する。
ConceFTは脳波の影響を低減し、時間周波数表現におけるスピンドル可視性を高める。
提案アルゴリズムであるConceFT-Spindle(ConceFT-S)を,DreamおよびMASSベンチマークデータベースを用いたA7(非深度学習)とSUMO(深度学習)と比較した。
- 参考スコア（独自算出の注目度）: 8.503001932363704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Sleep spindles contain crucial brain dynamics information. We
introduce the novel non-linear time-frequency analysis tool 'Concentration of
Frequency and Time' (ConceFT) to create an interpretable automated algorithm
for sleep spindle annotation in EEG data and to measure spindle instantaneous
frequencies (IFs). Methods: ConceFT effectively reduces stochastic EEG
influence, enhancing spindle visibility in the time-frequency representation.
Our automated spindle detection algorithm, ConceFT-Spindle (ConceFT-S), is
compared to A7 (non-deep learning) and SUMO (deep learning) using Dream and
MASS benchmark databases. We also quantify spindle IF dynamics. Results:
ConceFT-S achieves F1 scores of 0.749 in Dream and 0.786 in MASS, which is
equivalent to or surpass A7 and SUMO with statistical significance. We reveal
that spindle IF is generally nonlinear. Conclusion: ConceFT offers an accurate,
interpretable EEG-based sleep spindle detection algorithm and enables spindle
IF quantification.
- Abstract（参考訳）: 目的:睡眠スピンドルには重要な脳の動態情報が含まれる。
脳波データにおけるスリープスピンドルアノテーションの解釈可能な自動アルゴリズムを作成し、スピンドル瞬時周波数(IF)を測定するために、新しい非線形時間周波数解析ツール「Concentration of Frequency and Time」(ConceFT)を紹介した。
方法:ConceFTは確率的脳波の影響を効果的に低減し、時間周波数表現におけるスピンドル可視性を高める。
自動スピンドル検出アルゴリズムであるConceFT-Spindle(ConceFT-S)を,DreamおよびMASSベンチマークデータベースを用いたA7(非深度学習)とSUMO(深度学習)と比較した。
また、スピンドルIFダイナミクスを定量化する。
結果: ConceFT-S は夢で0.749点、MASSで0.786点、統計学的に A7 と SUMO 以上である。
スピンドルifは一般に非線形である。
結論: ConceFTは正確なEEGベースの睡眠スピンドル検出アルゴリズムを提供し、スピンドルIF定量化を可能にする。
関連論文リスト
- Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。
それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。
実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
論文 参考訳（メタデータ） (2023-11-21T17:03:21Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive
Learning [0.0]
本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。
特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。
教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
論文 参考訳（メタデータ） (2022-09-20T04:10:49Z) - SUMO: Advanced sleep spindle identification with neural networks [0.0]
睡眠時スピンドルを自動的に検出するU-Net型ディープニューラルネットワークモデルを提案する。
我々のモデルの性能は、最先端の検出器とMODAデータセットのほとんどの専門家を上回る。
論文 参考訳（メタデータ） (2022-02-06T11:35:47Z) - 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) - 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) - 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) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - 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) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。