論文の概要: SleepExplain: Explainable Non-Rapid Eye Movement and Rapid Eye Movement Sleep Stage Classification from EEG Signal
- arxiv url: http://arxiv.org/abs/2606.07351v1
- Date: Fri, 05 Jun 2026 15:00:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.799163
- Title: SleepExplain: Explainable Non-Rapid Eye Movement and Rapid Eye Movement Sleep Stage Classification from EEG Signal
- Title（参考訳）: 睡眠説明:脳波信号による説明不能眼球運動と急速眼球運動睡眠ステージ分類
- Authors: Rafsan Jany, Md. Hamjajul Ashmafee, Iqram Hussain, Md Azam Hossain,
- Abstract要約: この研究は、NREMとREM睡眠ステージを睡眠脳波データから分類することを目的としている。
本研究では、ランダムフォレスト、XGBoost、グラディエントブースティングアンサンブル分類モデルを用いて睡眠段階を分類した。
全体では92.54%(ランドムフォレスト)、94.25%(グラディエントブースティング)、94.30%(XGBoost)の精度を得た。
- 参考スコア（独自算出の注目度）: 0.3762360672951513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classification of sleep stages is one of the most important diagnostic approaches for a variety of sleep-related disorders. Electroencephalography (EEG) is regarded as a powerful tool for examining the association between neurological effects and sleep phases since it correctly identifies sleep-related neurological alterations. During Non-Rapid Eye Movement (NREM) and Rapid Eye Movement (REM) sleep phases, a number of nerve and bodily functions are affected and therefore hold an important role both in their functionalities. This work aims to classify NREM and REM sleep stages from sleep EEG data and present a noble SleepExplain model, an explainable NREM and REM sleep stage classification to explain its predictions. In this work, sleep stages were classified using Random Forest, XGBoost, and Gradient Boosting ensemble classification models. Overall, we obtained an accuracy of 92.54% (Random Forest), 94.25% (Gradient Boosting), and 94.30% (XGBoost). For explainable classification model, we utilized a game theoretic approach, SHAP (SHapley Addictive exPlanations) to offer a convincing explanation for the prediction.
- Abstract（参考訳）: 睡眠段階の分類は、睡眠関連疾患の最も重要な診断方法の1つである。
脳電図(EEG)は、睡眠関連神経学的変化を正しく識別するので、神経学的効果と睡眠相の関係を調べる強力なツールであると考えられている。
非ラピッドアイムーブメント(NREM)とラピッドアイムーブメント(REM)睡眠期には、多くの神経と身体機能が影響され、機能的にも重要な役割を担っている。
本研究の目的は、睡眠脳波データからNREMおよびREM睡眠ステージを分類し、その予測を説明するための説明可能なNREMおよびREM睡眠ステージ分類である、高貴なSleepExplainモデルを示すことである。
本研究では、ランダムフォレスト、XGBoost、グラディエントブースティングアンサンブル分類モデルを用いて睡眠段階を分類した。
全体では92.54%(ランサムフォレスト)、94.25%(グラディエントブースティング)、94.30%(XGBoost)の精度を得た。
説明可能な分類モデルでは,ゲーム理論的アプローチであるSHAP(SHapley Addictive exPlanations)を用いて,予測の理論的説明を行った。
関連論文リスト
- Multimodal Sleep Stage and Sleep Apnea Classification Using Vision Transformer: A Multitask Explainable Learning Approach [1.7765306045990206]
睡眠段階と睡眠障害の同時分類のための1D-Vision Transformerを提案する。
提案手法は,5段階睡眠分類では78% (0.66) ,睡眠時無呼吸分類では74% (0.58) の総合的精度を示した。
論文 参考訳（メタデータ） (2025-02-18T15:48:06Z) - Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging [6.86283473936335]
ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2023-12-06T00:28:08Z) - Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。
本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文 参考訳（メタデータ） (2023-02-17T07:37:54Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳（メタデータ） (2022-11-08T17:29:40Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2022-09-09T13:45:27Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Automated scoring of pre-REM sleep in mice with deep learning [0.0]
本稿では,古典期とマウスのレム前睡眠をスコア付けする,単純なニューラルネットワークアーキテクチャに基づく分類システムを提案する。
古典的な段階に限定されたとき、最適化されたネットワークは、サンプル外F1スコア0.95で最先端の分類性能を示した。
以上の結果から, 過渡睡眠段階のスコア付けが困難であること, 典型的なデータセットではその段階が過度に表れていること, またはスカラー間変動が大きいことなどから, さらなる証拠が得られた。
論文 参考訳（メタデータ） (2021-05-05T09:03:03Z) - 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。