728x90 반응형 SMALL Somnology119 Sleep-EDF Database Sleep-EDF Database sleep-edf 데이터베이스에는 EEG, EOG, 턱 EMG 및 이벤트 마커가 포함된 197개의 밤새 PolySomnoGraphic 수면 기록이 포함되어 있다. 일부 기록에는 호흡과 체온도 포함된다. 해당 최면 기록 (수면 패턴)은 잘 훈련된 기술자가 Rechtschaffen 및 Kales 설명서에 따라 수동으로 채점했으며 사용 가능하다. 데이터 및 주석 파일 *PSG.edf 파일은 EEG (Fpz-Cz 및 Pz-Oz 전극 위치에서), EOG (수평), 턱밑 EMG 및 이벤트 마커를 포함하는 밤새도록 수면다원 기록이다. SC*PSG.edf 파일에는 종종 구강 비강 호흡과 직장 체온도 포함된다. *Hypnogram.edf 파일에는 PSG에 해당하는 수면 패턴의 주석이 포.. 2022. 4. 14. 수면다원검사 (Polysomnography) 수면다원검사 (Polysomnography) 수면다원검사 (Polysomnography)는 환자의 수면 중에 발생하는 질환의 원인을 알아내기 위한 검사이다. 주로 뇌파와 심전도, 안전도 (눈의 움직임), 근전도, 비디오 촬영이 수반된다. 검사기록은 수면다원검사기록 (polysomnogram)으로 도출된다. https://ko.wikipedia.org/wiki/%EC%88%98%EB%A9%B4%EB%8B%A4%EC%9B%90%EA%B2%80%EC%82%AC 수면다원검사 - 위키백과, 우리 모두의 백과사전 ko.wikipedia.org 2022. 4. 13. Related Work and Compared Approaches 관련 작업 및 비교 접근법 접근 방식과의 비교를 위해 사용한 세 가지 최첨단 접근 방식을 소개한다. 바로 수작업 기능에 대해 훈련된 그레이디언트 부스팅 분류기 접근 방식에 따라 원시 일변량 시계열에 대해 훈련된 두 개의 컨볼루션 네트워크이다. Features Based Approach Gradient Boosting 모델은 설명된 대로 각 입력 센서에 대해 계산된 시간 영역 기능 및 주파수 영역 기능 등 수작업 기능에서 학습되었다. 보다 정확하게는 각 채널에서 α (0.5~4.5Hz), β (4.5~8.5Hz), β (8.5~11.5Hz), β (11.5~15.5Hz), β (15.5~30Hz)의 5개 대역으로 전력과 상대 전력을 추출하여 두 가지 기능을 모두 제공하였다. 또한 평균, 분산, 왜도, 첨도.. 2022. 4. 12. Data and Preprocessing Steps 데이터 및 전처리 단계 각 레코드에는 A2 전극과 관련하여 참조된 20개의 EEG 채널 데이터가 포함된다. 참조 체계를 수정하지 않았기 때문에 연구에서 A2 전극을 제거한다. 또한 각 레코드에는 추가 양식으로 간주한 2개의 EOG (수평좌우) 및 3개의 EMG 채널 (턱 채널)의 신호가 포함된다. 사용 가능한 모든 센서의 시계열은 먼저 30Hz 컷오프 주파수로 저역 통과 필터링되었다. 그런 다음 128Hz의 샘플링 속도로 다운샘플링되었다. 다운샘플링 단계는 정보를 최대 64Hz (나이퀴스트 주파수)까지 유지하면서 신경망에 대한 계산 속도를 높인다. 다운샘플링 및 low / band 패스 필터링은 일반적으로 전처리 단계에 사용된다. 데이터 추출 및 필터링 단계는 MNE 소프트웨어로 수행된다. 사용된 필터는.. 2022. 4. 12. Material and Methods (2) Time Distributed Multivariate Network 시간적 수면 단계 분류 (k>0)를 수행하기 위해 제안하는 시간 분산 다변량 네트워크를 설명한다. 그것은 이전에 제시된 다변량 네트워크 아키텍처를 기반으로 하고 시간적 맥락을 고려할 수 있는 시간에 그것을 배포한다. 실제로 등급 N2의 표본은 다른 N2 표본에 가깝지만 N1 또는 N3 표본에 가까울 가능성이 매우 높다. 관심 샘플 전후의 신호의 통계적 특성을 고려하기 위해, 관심 샘플 이전 또는 이후 여러 시간 세그먼트에서 Z에 의해 추출된 다양한 특징을 집계할 것을 제안한다. 좀 더 공식적으로, S^(k)_(T)={Xt-k,…,Xt,…,Xt+k} ∈ Xk를 2k+1개의 인접 샘플 (과거에는 k개 샘플, 미래에는 k개 샘플)의 시퀀스로 .. 2022. 4. 12. Material and Methods (1) 자료 및 방법 다변수 및 다중 모드 시계열에서 시간적 수면 단계 분류를 수행하는 딥 러닝 아키텍처를 제시합니다. 먼저 여기에서 다루는 분류 문제를 공식적으로 정의한다. 그런 다음 시간적 컨텍스트 없이 예측하는 데 사용되는 네트워크 아키텍처를 제시한다 (k=0). 그런 다음 시간적 수면 단계 분류를 수행하기 위해 제안된 시간 분산 다변수 네트워크를 설명한다 (k>0). Machine Learning Problem 고려되는 시간적 분류 작업을 수학적 용어로 공식화한다. 음이 아닌 정수여야 한다. f : Xk ⟶ Y로 표시된 매개변수 집합에 속하는 예측 모델 (F)을 나타낸다. 여기에 순서가 지정된 시퀀스를 입력으로 2k+1 신호의 인접 세그먼트 및 확률 벡터 출력 p ∈ Y를 취한다. 단순화를 위해 네트워크.. 2022. 4. 12. 다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 (2) 다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 통계적 기계 학습 관점에서 문제는 불균형 다중 클래스 예측 문제이다. 최첨단 자동 접근 방식은 분류에 사용된 특징을 전문 지식을 사용하여 추출하는지 또는 원시 신호에서 학습하는지에 따라 두 가지 범주로 분류할 수 있다. 첫 번째 범주의 방법은 수작업으로 제작된 기능을 설계할 수 있는 신호와 이벤트에 대한 사전 지식을 사용한다. 두 번째 범주의 방법은 변환된 데이터 또는 convolution neural network을 가진 원시 데이터에서 직접 적절한 특징 표현을 학습하는 것이다. 최근, 적대적 심층 신경망을 사용하여 전파 신호에 대한 수면 단계 분류를 수행하는 다른 방법이 제안되었다. 주요 통계 학습 과제 중 하나는 이.. 2022. 4. 8. 다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 (1) 다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 수면 단계 분류는 수면 장애 진단에 중요한 예비 검사를 구성한다. 이것은 전통적으로 뇌파도 (EEG), 심전도 (EOG), 심전도 및 근전도 (EMG)와 같은 신호의 육안 검사를 기반으로 수면 단계의 신호를 30초마다 할당하는 수면 전문가에 의해 수행된다. 여기에서 스펙트로그램을 계산하거나 손으로 만든 기능을 추출하지 않고 종단 간 학습을 하고 모든 다변수 및 다양한 수면다원검사 (PSG) 신호 (EEG, EMG 및 EOG)를 활용하는 수면 단계 분류를 위한 최초의 딥러닝 접근 방식이 필요하다. 각 30초의 window 데이터 시간적 context를 활용한다. 각 양식에 대해 첫 번째 계층은 센서 어레이를 활용하여 신.. 2022. 4. 8. 수면 (Sleep) 수면 (Sleep) 잠 (Sleep) 또는 수면 (睡眠)은 동물이 일정 시간 동안 몸과 마음의 활동을 쉬면서 의식이 없는 상태로 있는 것이다. 의식은 없거나 줄어들고, 감각 기관이 상대적으로 활동을 중단하며, 거의 모든 수의근의 움직임이 없는 것이 특징이다. 자극에 대한 반응이 줄어드는 것으로 각성과 구별되며, 쉽게 의식을 되돌릴 수 있다는 점에서 겨울잠이나 혼수상태와는 구별된다. 수면 중에는 동화 상태가 고조되며, 성장과 면역, 신경, 뼈, 근육 계통의 회복이 두드러진다. 수면은 모든 포유류와 조류, 다수의 파충류, 양서류, 어류에서 발견된다. 수면의 목적과 기제는 부분적으로만 확인되었으며, 활발한 연구의 대상이다. 잠은 종종 에너지를 절약하는 것으로 여겨졌으나, 실제로는 신진대사를 약 5~10%만 줄.. 2022. 3. 15. 이전 1 ··· 9 10 11 12 다음 728x90 반응형 LIST
