論文の概要: ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals
- arxiv url: http://arxiv.org/abs/2412.01929v1
- Date: Mon, 02 Dec 2024 19:31:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:47:42.037789
- Title: ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals
- Title（参考訳）: ECG-SleepNet:心電図信号を用いた深層学習に基づく包括的睡眠段階分類
- Authors: Poorya Aghaomidi, Ge Wang,
- Abstract要約: 本研究は,心電図信号を用いた睡眠段階分類のための新しい3段階アプローチを提案する。
第1フェーズでは、FIN(Feature Imitating Networks)を用いて重要な特徴を推定し、より高精度で高速な収束を実現する。
第2段階は、心電図信号の時間周波数表現によるN1睡眠段階の同定に焦点を当てている。
第3段階は以前の段階からモデルを統合し、KAN(Kolmogorov-Arnold Network)を使用して5つの異なる睡眠ステージを分類する。
- 参考スコア（独自算出の注目度）: 4.070551979222657
- License:
- Abstract: Accurate sleep stage classification is essential for understanding sleep disorders and improving overall health. This study proposes a novel three-stage approach for sleep stage classification using ECG signals, offering a more accessible alternative to traditional methods that often rely on complex modalities like EEG. In Stages 1 and 2, we initialize the weights of two networks, which are then integrated in Stage 3 for comprehensive classification. In the first phase, we estimate key features using Feature Imitating Networks (FINs) to achieve higher accuracy and faster convergence. The second phase focuses on identifying the N1 sleep stage through the time-frequency representation of ECG signals. Finally, the third phase integrates models from the previous stages and employs a Kolmogorov-Arnold Network (KAN) to classify five distinct sleep stages. Additionally, data augmentation techniques, particularly SMOTE, are used in enhancing classification capabilities for underrepresented stages like N1. Our results demonstrate significant improvements in the classification performance, with an overall accuracy of 80.79% an overall kappa of 0.73. The model achieves specific accuracies of 86.70% for Wake, 60.36% for N1, 83.89% for N2, 84.85% for N3, and 87.16% for REM. This study emphasizes the importance of weight initialization and data augmentation in optimizing sleep stage classification with ECG signals.
- Abstract（参考訳）: 正確な睡眠段階分類は、睡眠障害を理解し、全体的な健康を改善するために不可欠である。
本研究は、脳波信号を用いた睡眠段階分類のための新しい3段階アプローチを提案する。
ステージ1と2では、2つのネットワークの重みを初期化し、ステージ3に統合して包括的分類を行う。
第1フェーズでは、FIN(Feature Imitating Networks)を用いて重要な特徴を推定し、より高精度で高速な収束を実現する。
第2段階は、心電図信号の時間周波数表現によるN1睡眠段階の同定に焦点を当てている。
最後に、第3フェーズは前のステージからモデルを統合し、KAN(Kolmogorov-Arnold Network)を使用して5つの異なる睡眠ステージを分類する。
さらに、データ拡張技術、特にSMOTEは、N1のような未表現段階の分類能力を高めるために使用される。
その結果,分類精度は80.79%,Kappaは0.73。
ワインの86.70%、N1は60.36%、N2は83.89%、N3は84.85%、REMは87.16%である。
本研究は,心電図信号を用いた睡眠段階分類の最適化において,体重初期化とデータ増大の重要性を強調した。
関連論文リスト
- 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) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳（メタデータ） (2022-04-07T22:49:18Z) - 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) - 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) - Deep Learning Based Classification of Unsegmented Phonocardiogram
Spectrograms Leveraging Transfer Learning [0.0]
心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。
PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。
本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
論文 参考訳（メタデータ） (2020-12-15T16:32:29Z) - A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。
以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。
クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文 参考訳（メタデータ） (2020-11-03T03:27:18Z) - Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals [0.0]
自律神経系の調節は睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
論文 参考訳（メタデータ） (2020-08-07T21:43:46Z) - Device-Robust Acoustic Scene Classification Based on Two-Stage
Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。
タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。
Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文 参考訳（メタデータ） (2020-07-16T15:07:14Z)
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。