Detection of Rapid-Eye Movements in Sleep Studies
Notice bibliographique
Résumé
One of the key features of rapid-eye movement (REM) sleep is the presence of bursts of REMs. Sleep studies routinely use REMs to classify sleep stages. Moreover, REM count or density has been used in studies involving learning and various psychiatric disorders. Most of these studies have been based on the visual identification of REMs, which is generally a very time-consuming task. This and the varying definitions of REMs across scorers have warranted the development of automatic REM detection methodologies. In this paper, we present a new detection scheme that combines many of the intrinsic properties of REMs and requires minimal parameter adjustments. In the proposed method, a single parameter can be used to control the REM detection sensitivity and specificity tradeoff. Manually scored training data are used to develop the method. We assess the performance of the method against manual scoring of individual REM events and present validation results using a separate data set. The ability of the method to discriminate fast horizontal ocular movement in REM sleep from other types of events is highlighted. A key advantage of the presented method is the minimal a priori information requirement. The results of training data (recordings from five subjects) show an overall sensitivity of 78.8% and specificity of 81.6%. The performance on the testing data (recording from five subjects different from the training data) showed overall sensitivity of 67.2% and specificity of 77.5%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».