A hierarchical sequential neural network with feature fusion for sleep staging based on EOG and RR signals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Currently, the automatic sleep staging methods mainly face two problems: the first problem is that although the algorithms which use electroencephalogram (EEG) signals perform well, acquiring EEG signals is complicated and uncomfortable; the second problem is that if the methods utilize physiological signals collected by user-friendly devices, such as cardiorespiratory signals, whose accuracies are hard to be accepted by clinicians, although the employed signals are easy and comfortable to acquire. APPROACH: To overcome the two issues, an automatic sleep staging method is proposed by developing a hierarchical sequential neural network to process only the electrooculogram (EOG) and R-R interval (RR) signals. The two signals are convenient and comfortable to acquire. The proposed network mainly contains two parts: comprehensive feature learning and sequence learning. The first part extracts hand-crafted features, and network trained features are simultaneously learned by a two-scale network. Then the two kinds of features are fused. The second part utilized a two-flow recurrent neural network (RNN) to learn temporal information between sleep epochs. MAIN RESULTS: The proposed method was evaluated on 86 subjects from two public databases, the Montreal archive of sleep studies (MASS) and sleep apnea (SA). The proposed method can discriminate five sleep stages with the F1-score of 0.781 and 0.740 for MASS and SA, respectively. And discriminate four stages with the F1-score of 0.858 and 0.802 for MASS and SA, respectively. SIGNIFICANCE: The proposed method can achieve comparable performance as using EEG signals for sleep staging and have better performance compared to five related state-of-the-art methods. Model analysis displayed that the network can learn effective features and sequence information from EOG and RR signals. In summary, the proposed method is promising to enable new sleep monitoring in a more convenient way while having a good performance on sleep staging.
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.
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 | 0,000 |
| 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 découle