Automatic Sleep Stage Classification Using Deep Learning Algorithm for Multi-Institutional Database
Notice bibliographique
Résumé
Recent deep learning studies for sleep stage classification with polysomnography (PSG) data show two directions, either using 1-dimensional (1-D) raw PSG data or spectrogram images time-frequency domain. We propose a novel approach using images generated from time-signal display of a PSG dataset for 5 class sleep stage classification. The motivation of our approach is not only to imitate the way used by human sleep-scoring experts but also to make use of various methods developed in image classification in Deep Learning, such as augmentation techniques, EfficientNet and LSTM. In addition an explainable AI technique such as Class Activation Map (CAM) can be employed for interpreting how a model makes a decision. We, also, work on “inconsistency” problems occurring among multiple institutions/hospitals where different capturing sensors are used and the labelling mismatch by human experts in different organizations. To solve the problem, we experiment three different approaches in the network design with data of two institutes and 5 sleep stage classification; (i) 5 class classification, (ii) 10-class classification and then post-processing to 5 classes (iii) 10-to-5 class classification. The 10-to-5 class classification is a network where information of two institutes are embedded inside the network. When information of multi institution is inside the network, the results show higher performance. Our experimental results show that all of three proposed methods based on time-signal images achieves higher accuracy performance compared to state-of-the-art models.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».