EEG data augmentation: towards class imbalance problem in sleep staging tasks
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: Automatic sleep staging models suffer from an inherent class imbalance problem (CIP), which hinders the classifiers from achieving a better performance. To address this issue, we systematically studied sleep electroencephalogram data augmentation (DA) approaches. Furthermore, we modified and transferred novel DA approaches from related research fields, yielding new efficient ways to enhance sleep datasets. APPROACH: This study covers five DA methods, including repeating minority classes, morphological change, signal segmentation and recombination, dataset-to-dataset transfer, as well as generative adversarial network (GAN). We evaluated these mentioned DA methods by a sleep staging model on two datasets, the Montreal archive of sleep studies (MASS) and Sleep-EDF. We used a classification model with a typical convolutional neural network architecture to evaluate the effectiveness of the mentioned DA approaches. We also conducted a comprehensive analysis of these methods. MAIN RESULTS: The classification results showed that DA methods, especially DA by GAN, significantly improved the total classification performance in comparison with the baseline. The improvement of accuracy, F1 score and Cohen Kappa coefficient range from 0.90% to 3.79%, 0.73% to 3.48%, 2.61% to 5.43% on MASS and 1.36% to 4.79%, 1.47% to 4.23%, 2.22% to 4.04% on Sleep-EDF, respectively. DA methods improved the classification performance in most cases, whereas the performance of class N1 showed a subtle degradation in the F1 scores. SIGNIFICANCE: Overall, our study proved that DA approaches are efficient in alleviating CIP lying in sleep staging tasks. Meanwhile, this study provided avenues for further improving the sleep staging accuracy using DA methods.
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 | 0,001 |
| Science ouverte | 0,001 | 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