Improved Sleep Spindle Detection Using the BOSC Method: A Comparison with Traditional Approaches
Notice bibliographique
Résumé
Abstract Sleep spindles are brief bursts of 6–20 Hz local field potential (LFP/EEG) activity that occur during non-rapid eye movement sleep. Traditional spindle detection methods rely on manually set amplitude and duration thresholds, but this approach can be vulnerable to false detections and could miss low-amplitude spindles due to the inflexible nature of the thresholding technique. The Better OSCillation (BOSC) detection method offers a more robust alternative by applying frequency-specific power thresholds calibrated to the signal itself and requiring a minimum number of oscillation cycles. In this study, we compared traditional and BOSC methods for spindle detection in a variety of ways. First, we created two synthetic datasets: one with synthetic spindles modelled on previous data and one with single wave pulses that had a period consistent with the spindle frequency band. These datasets were used to demonstrate each method’s performance when given events that should be detected (synthetic spindles) and those that should not (single wave pulses). Second, we analyzed cortical local field potentials from recordings of rats during natural sleep using both methods to determine their relative effectiveness given biological LFP data. BOSC consistently outperformed the traditional approach in all situations, identifying more valid spindles while minimizing false (or likely false) detections. These findings validate BOSC as a superior method of spindle detection due to its better calibration to the actual signal.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| 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 ».