論文の概要: EEG Sleep Stage Classification with Continuous Wavelet Transform and Deep Learning

• arxiv url: http://arxiv.org/abs/2510.07524v1
• Date: Wed, 08 Oct 2025 20:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.722164
• Title: EEG Sleep Stage Classification with Continuous Wavelet Transform and Deep Learning
• Title（参考訳）: 連続ウェーブレット変換とディープラーニングを用いた脳波睡眠ステージ分類
• Authors: Mehdi Zekriyapanah Gashti, Ghasem Farjamnia,
• Abstract要約: 本研究では,ウェーブレット変換に基づく時間周波数解析を用いた自動睡眠ステージスコアリングフレームワークを提案する。 実験の結果、ウェーブレットに基づく表現は、全体の精度88.37パーセント、マクロ平均F1スコア73.15であることがわかった。 これらの知見は、堅牢で、解釈可能で、臨床応用可能な睡眠段階分類のためのウェーブレット分析の可能性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of sleep stages is crucial for the diagnosis and management of sleep disorders. Conventional approaches for sleep scoring rely on manual annotation or features extracted from EEG signals in the time or frequency domain. This study proposes a novel framework for automated sleep stage scoring using time-frequency analysis based on the wavelet transform. The Sleep-EDF Expanded Database (sleep-cassette recordings) was used for evaluation. The continuous wavelet transform (CWT) generated time-frequency maps that capture both transient and oscillatory patterns across frequency bands relevant to sleep staging. Experimental results demonstrate that the proposed wavelet-based representation, combined with ensemble learning, achieves an overall accuracy of 88.37 percent and a macro-averaged F1 score of 73.15, outperforming conventional machine learning methods and exhibiting comparable or superior performance to recent deep learning approaches. These findings highlight the potential of wavelet analysis for robust, interpretable, and clinically applicable sleep stage classification.
• Abstract（参考訳）: 睡眠ステージの正確な分類は、睡眠障害の診断と管理に不可欠である。 従来の睡眠スコアリングのアプローチは、時間や周波数領域の脳波信号から抽出された手動のアノテーションや特徴に依存している。 本研究では,ウェーブレット変換に基づく時間周波数解析を用いた自動睡眠ステージスコアリングフレームワークを提案する。 スリープ・EDF拡張データベース(スリープ・カセット記録)を用いて評価を行った。 連続ウェーブレット変換(CWT)は、睡眠ステージングに関連する周波数帯にわたる過渡パターンと発振パターンの両方をキャプチャする時間周波数マップを生成する。 実験結果から,提案するウェーブレットに基づく表現とアンサンブル学習の併用により,全体の精度88.37パーセント,マクロ平均F1スコア73.15が達成され,従来の機械学習手法よりも優れ,近年のディープラーニング手法に匹敵する,あるいは優れた性能を示した。 これらの知見は、堅牢で、解釈可能で、臨床応用可能な睡眠段階分類のためのウェーブレット分析の可能性を強調した。

関連論文リスト

• Multi-Channel Differential Transformer for Cross-Domain Sleep Stage Classification with Heterogeneous EEG and EOG [1.422074091840573]
  異種脳波-EOG表現学習のための多チャンネル差動変換フレームワークであるSleepDIFFormerを提案する。 SleepDIFFormerは複数のスリープステージデータセットでトレーニングされており、それぞれがソースドメインとして扱われる。 提案手法は,空間的および時間的注意雑音を緩和し,データセット間の特徴分布アライメントを通じて,領域不変なEEG-EOG表現を学習することにより,新しい領域への一般化を促進する。
  論文  参考訳（メタデータ） (2025-08-21T03:59:10Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning [27.155280206930055]
  時空間ハイパーグラフ強化メタラーニングに基づく数発の睡眠ステージ分類フレームワークであるMetaSTH-Sleepを提案する。 提案手法は,脳波信号の複雑な空間的相互干渉と時間的ダイナミクスを効果的にモデル化する一方で,少数のラベル付きサンプルを用いた新しい被験者への迅速な適応を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T07:09:03Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• PADDLES: Phase-Amplitude Spectrum Disentangled Early Stopping for Learning with Noisy Labels [49.43183579415899]
  畳み込みニューラルネットワーク(CNN)は、学習パターンの優位性を示しているが、ラベルノイズに敏感であり、トレーニング中にノイズラベルをオーバーフィットさせる可能性がある。 早期停止戦略は、初期のトレーニングフェーズにおけるCNNの更新を回避し、ノイズラベルの存在下で広く採用されている。 提案手法は, 実世界のラベル・ノイズ・データセットの合成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-07T05:03:13Z)
• 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)
• Enhancement on Model Interpretability and Sleep Stage Scoring Performance with A Novel Pipeline Based on Deep Neural Network [4.296506281243336]
  本稿では,アメリカ睡眠医学会の定義に従い,脳波(EEG)の表現学習のための時間周波数フレームワークを提案する。 入力された脳波スペクトログラムは、時間と周波数軸の一連のパッチに分割され、さらに表現学習を行うための繊細な深層学習ネットワークに入力される。 提案したパイプラインは、大規模なデータベース、すなわちSleep Heart Health Study (SHHS)に対して検証され、その結果、ウェイク、N2、N3ステージの競合性能が最先端の作業より優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-07T02:48:13Z)
• 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)
• 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)
• 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。