Non-Gaussian modeling of sleep EEG based on a skewed scale mixture structure and its application to sleep stage analysis
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: Electroencephalograms (EEGs) are widely used to evaluate sleep. Changes in the shape of EEG amplitude distributions serve as useful indicators to characterize sleep stages. However, existing models lack the representational power to comprehensively capture the non-Gaussian characteristics of EEGs. Methods: To address this limitation, we propose a novel skew-scale mixture model based on a skewed scale mixture structure. This model treats EEG amplitudes as random variables following a multivariate Gaussian distribution, whose mean vector and covariance matrix are weighted by scale and skewness parameters. These parameters are estimated using marginal likelihood maximization and used as features to quantify non-Gaussian characteristics such as tail weight and lateral asymmetry. Results: The proposed model was validated through simulations and applied to EEG data from the Montreal Archive of Sleep Studies (MASS) dataset, which includes five sleep stages: wakefulness, REM, N1, N2, and N3. Compared to conventional probabilistic models (e.g., Gaussian and scale mixture models), the proposed model demonstrated superior ability to represent non-Gaussian characteristics, as evaluated by Bayesian Information Criterion (BIC) scores. Moreover, extracted features showed significant variation across sleep stages, reflecting stage-specific EEG characteristics such as slow waves and spindles. Conclusion: The proposed skew-scale mixture model provides a unified framework for comprehensively representing the non-Gaussian characteristics of sleep EEGs, including lateral asymmetry. Significance: This model offers the potential for applications such as improved classification accuracy and enhanced detection of characteristic waveforms, laying a foundation for future developments in automated sleep stage classification.
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 | 0,001 |
| 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 découle