Beyond K-complex binary scoring during sleep: probabilistic classification using deep learning
Notice bibliographique
Résumé
STUDY OBJECTIVES: K-complexes (KCs) are a recognized electroencephalography marker of sensory processing and a defining feature of sleep stage 2. KC frequency and morphology may also be reflective of sleep quality, aging, and a range of sleep and sensory processing deficits. However, manual scoring of K-complexes is impractical, time-consuming, and thus costly and currently not well-standardized. Although automated KC detection methods have been developed, performance and uptake remain limited. METHODS: The proposed algorithm is based on a deep neural network and Gaussian process, which gives the input waveform a probability of being a KC ranging from 0% to 100%. The algorithm was trained on half a million synthetic KCs derived from manually scored sleep stage 2 KCs from the Montreal Archive of Sleep Study containing 19 healthy young participants. Algorithm performance was subsequently assessed on 700 independent recordings from the Cleveland Family Study using sleep stages 2 and 3 data. RESULTS: The developed algorithm showed an F1 score (a measure of binary classification accuracy) of 0.78 and thus outperforms currently available KC scoring algorithms with F1 = 0.2-0.6. The probabilistic approach also captured expected variability in KC shape and amplitude within individuals and across age groups. CONCLUSIONS: An automated probabilistic KC classification is well suited and effective for systematic KC detection for a more in-depth exploration of potential relationships between KCs during sleep and clinical outcomes such as health impacts and daytime symptomatology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».