Automatic Sleep Spindle Detection Using SMOTE and Composite Features with SWT and Adaboost
Notice bibliographique
Résumé
Sleep Spindles contribute to diagnosing several brain-related diseases like sleep apnea, major depression, etc.Hence, sleep spindle detection from Electroencephalogram (EEG) has gained significant research interest in the bio-medical signaling field.Existing methods use template matching and machine learning algorithms for spindle detection.In the template matching methods, the additional and continuous tuning of the threshold creates an unnecessary computational burden.In the machine learning-based method, significant problems such as data imbalance and less discrimination due to fewer and inappropriate features are addressed.To address these issues, this research presents a novel automatic spindle recognition approach that uses the Synthetic Minority Oversampling Technique (SMOTE) to balance the dataset and integrates time-domain and frequency-domain information for effective feature extraction.The Synchrosqueezed Wavelet Transform (SWT) is utilized for accurate frequency domain feature extraction, while the Adaboost(Adaptive Boosting)algorithm is implemented for classification.This method, evaluated using the publicly accessible Montreal Archives of Sleep Studies Cohort 1 (MASS-C1) dataset, significantly outperforms existing methods like as SpindleU-Net, Convolutional MIL (Multiple Instance Learning), SST-RUSBoost (Synchrosqueezed Transform -Random Under-Sampling Boosting), and MuFF-E(Multi-Feature Fusion and Ensemble), with an F-score of 75%, Sensitivity of 78%, and Positive Predictive Value of 73%.The findings illustrate the superiority of the proposed method in addressing data imbalance and improving detection accuracy.
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 ».