A robust two-stage sleep spindle detection approach using single-channel EEG
Notice bibliographique
Résumé
Abstract Objective. Sleep spindles in the electroencephalogram (EEG) are significant in sleep analysis related to cognitive functions and neurological diseases, and thus are of great clinical interests. An automatic sleep spindle detection algorithm could help decrease the workload of visual inspection by sleep clinicians. Approach. We propose a robust two-stage approach for sleep spindle detection using single-channel EEG. In the pre-detection stage, a stable number of sleep spindle candidates are discovered using the Teager energy operator with adaptive parameters, where the number of true sleep spindles are ensured as many as possible to maximize the detection sensitivity. In the refinement stage, representative features are designed and a bagging classifier is exploited to further recognize the true spindles from all candidates, in order to remove the false detection in the first stage. Main results. Using the union of all experts’ annotations as the ground truth, its performance outperforms state-of-the-art works in terms of F1-score (F1) on two public databases (F1: 0.814 for Montreal archive of sleep studies dataset and 0.690 for DREAMS dataset). The annotation consistency between the proposed method and certain selected expert as the trainer could exceed the consistency between two human experts. Significance. The proposed sleep spindle detection method is based on single-channel EEG thus introduces as less interference to the subjects as possible. It is robust to subject variations between databases and is capable of learning certain annotation rules, which is expected to help facilitate the manual labeling of certain experts. In addition, this method is fast enough for real-time applications.
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 | 0,000 |
| 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 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 ».