論文の概要: Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering

• arxiv url: http://arxiv.org/abs/2507.14166v1
• Date: Tue, 08 Jul 2025 19:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-27 08:26:15.934177
• Title: Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering
• Title（参考訳）: 機械学習と特徴工学を用いたげっ歯類の自動警戒状態分類
• Authors: Sankalp Jajee, Gaurav Kumar, Homayoun Valafar,
• Abstract要約: 本研究では,脳波記録(EEG)を小げっ歯類に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 XGBoostモデルは、全体的な精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成し、全てのベースライン法を上回った。
• 参考スコア（独自算出の注目度）: 1.5390962520179197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preclinical sleep research remains constrained by labor intensive, manual vigilance state classification and inter rater variability, limiting throughput and reproducibility. This study presents an automated framework developed by Team Neural Prognosticators to classify electroencephalogram (EEG) recordings of small rodents into three critical vigilance states paradoxical sleep (REM), slow wave sleep (SWS), and wakefulness. The system integrates advanced signal processing with machine learning, leveraging engineered features from both time and frequency domains, including spectral power across canonical EEG bands (delta to gamma), temporal dynamics via Maximum-Minimum Distance, and cross-frequency coupling metrics. These features capture distinct neurophysiological signatures such as high frequency desynchronization during wakefulness, delta oscillations in SWS, and REM specific bursts. Validated during the 2024 Big Data Health Science Case Competition (University of South Carolina Big Data Health Science Center, 2024), our XGBoost model achieved 91.5% overall accuracy, 86.8% precision, 81.2% recall, and an F1 score of 83.5%, outperforming all baseline methods. Our approach represents a critical advancement in automated sleep state classification and a valuable tool for accelerating discoveries in sleep science and the development of targeted interventions for chronic sleep disorders. As a publicly available code (BDHSC) resource is set to contribute significantly to advancements.
• Abstract（参考訳）: 就寝前研究は、労働集約、手動警戒状態の分類、利子間変動、スループットの制限、再現性に制約されている。 本研究では,脳波記録(EEG)を3つの臨界警戒状態(REM),低波睡眠(SWS),覚醒状態(ウェイクフルネス)に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、標準脳波帯(デルタからガンマまで)のスペクトルパワー、最大最小距離による時間ダイナミクス、周波数間カップリングメトリクスなど、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 これらの特徴は、ウェイクフルネス中の高周波脱同期、SWSにおけるデルタ振動、REM特異的バーストなどの異なる神経生理学的特徴を捉えている。 2024年のBig Data Health Science Case Competition (University of South Carolina Big Data Health Science Center, 2024)で検証された我々のXGBoostモデルは、総合精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成している。 我々のアプローチは、自動睡眠状態分類における重要な進歩と、睡眠科学における発見の加速と慢性睡眠障害に対する標的治療の開発のための貴重なツールである。 公開されているコード(BDHSC)リソースは、進歩に大きく貢献するように設定されている。

関連論文リスト

• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection [51.87482627771981]
  マイクロツリーベースNAM(MT-NAM)は,最近提案されたニューラル付加モデル(NAM)に基づく蒸留モデルである。 MT-NAMは、標準のNAMと比較して、精度を損なうことなく、100$Times$の推論速度の向上を実現している。 今回我々はCHB-MITの頭皮脳波データを用いて,セッション数や発作回数の異なる24例の脳波データについて検討した。
  論文  参考訳（メタデータ） (2025-03-11T10:14:53Z)
• ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals [4.070551979222657]
  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。
  論文  参考訳（メタデータ） (2024-12-02T19:31:25Z)
• 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)
• SI-SD: Sleep Interpreter through awake-guided cross-subject Semantic Decoding [5.283755248013948]
  我々は、新しい認知神経科学実験を設計し、覚醒と睡眠の間に134人の被験者から、包括的、十分に注意された脳波(EEG)データセットを収集した。 我々は、覚醒と睡眠の間のニューラル潜伏シーケンスの位置ワイドアライメントにより、睡眠意味のデコーディングを強化するSI-SDを開発した。
  論文  参考訳（メタデータ） (2023-09-28T14:06:34Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Application of Machine Learning to Sleep Stage Classification [0.7196441171503458]
  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。
  論文  参考訳（メタデータ） (2021-11-04T18:00:50Z)
• 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)
• 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)
• 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)

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。