論文の概要: Single Channel EEG Based Insomnia Identification Without Sleep Stage Annotations
- arxiv url: http://arxiv.org/abs/2402.06251v3
- Date: Fri, 13 Dec 2024 09:02:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-16 15:00:34.134181
- Title: Single Channel EEG Based Insomnia Identification Without Sleep Stage Annotations
- Title(参考訳): 睡眠段階アノテーションを伴わない単一チャンネル脳波による不眠症同定
- Authors: Chan-Yun Yang, Nilantha Premakumara, Hooman Samani, Chinthaka Premachandra,
- Abstract要約: 不眠症患者50名,健常者50名を用いて,本モデルの有効性を検証した。
開発されたモデルでは、現在の睡眠監視システムを簡素化し、家庭内振動モニタリングを可能にする可能性がある。
- 参考スコア(独自算出の注目度): 0.3495246564946556
- License:
- Abstract: This paper proposes a new approach to identifying patients with insomnia using a single EEG channel, without the need for sleep stage annotation. Data preprocessing, feature extraction, feature selection, and classification techniques are used to automatically detect insomnia based on features extracted from spectral and temporal domains, including relative power in the delta, sigma, beta and gamma bands, total power, absolute slow wave power, power ratios, mean, zero crossing rate, mobility, and complexity. A Pearson correlation coefficient, t-test, p-value, and two rules are used to select the optimal set of features for accurately classifying insomnia patients and rejecting negatively affecting features. Classification schemes including a general artificial neural network, convolutional neural network, and support vector machine are applied to the optimal feature set to distinguish between insomnia patients and healthy subjects. The performance of the model is validated using 50 insomnia patients and 50 healthy subjects, with the Fp2 channel and 1D-CNN classifier achieving the highest accuracy and Cohen's kappa coefficient at 97.85% and 94.15%, respectively. The developed model has the potential to simplify current sleep monitoring systems and enable in-home ambulatory monitoring.
- Abstract(参考訳): 本研究では,睡眠段階アノテーションを必要とせず,単一の脳波チャンネルを用いて不眠症患者を同定するための新しいアプローチを提案する。
データ前処理、特徴抽出、特徴選択、分類技術は、デルタ、シグマ、ベータ、ガンマバンドの相対パワー、トータルパワー、絶対スロー波パワー、パワー比、平均、ゼロクロスレート、モビリティ、複雑性を含むスペクトル領域と時間領域から抽出された特徴に基づいて、不眠症を自動的に検出するために使用される。
ピアソン相関係数、t-test、p-value、および2つの規則を用いて、不眠症患者を正確に分類し、否定的に影響を及ぼす特徴を拒絶する最適な特徴セットを選択する。
一般的なニューラルネットワーク、畳み込みニューラルネットワーク、サポートベクターマシンなどの分類スキームを、不眠症患者と健常者とを区別する最適な特徴セットに適用する。
Fp2チャネルと1D-CNN分類器でそれぞれ97.85%、94.15%の精度でコーエンのカッパ係数を達成し、このモデルの性能を不眠症患者50名、健常者50名を用いて検証した。
開発されたモデルでは、現在の睡眠監視システムを簡素化し、家庭内振動モニタリングを可能にする可能性がある。
関連論文リスト
- MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。
ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。
これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
論文 参考訳(メタデータ) (2024-12-28T01:37:25Z) - A generative foundation model for five-class sleep staging with arbitrary sensor input [14.146442985487598]
金標準睡眠スコアは、PSG信号のサブセット、すなわちEEG、EOG、EMGに基づいている。
PSGは、心臓や呼吸の調節など、睡眠のステージングに使える可能性のある多くのシグナル導出物で構成されている。
本稿では,複数のセンサからの完全自動睡眠ステージ作成のための深層生成基盤モデルとその組み合わせを提案する。
論文 参考訳(メタデータ) (2024-08-09T08:09:28Z) - 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) - SERF: Interpretable Sleep Staging using Embeddings, Rules, and Features [0.0]
ポリソムノグラム(PSG)による臨床診断睡眠段階は、睡眠の質を評価するための金の基準である。
我々は,PSGを読むための埋め込み,ルール,特徴を用いたSERF,解釈可能なスリープステージを提案する。
SerFは、解釈可能な睡眠ステージングの最先端を2%超える。
論文 参考訳(メタデータ) (2022-09-21T10:01:56Z) - 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 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) - 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) - 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)
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。