Recurrent Deep Neural Networks for Real-Time Sleep Stage Classification From Single Channel EEG.
Recurrent Deep Neural Networks for Real-Time Sleep Stage Classification From Single Channel EEG.
复制标题
DOI：
10.3389/fncom.2018.00085
复制
发表时间：
2018
影响因子：
3.2
通讯作者：
Garcia-Molina G
中科院分区：
文献类型：
--
作者：
Bresch E;Großekathöfer U;Garcia-Molina G
目的：我们研究了深度递归神经网络的设计，用于从非专家用户在家中记录的单通道EEG信号中检测睡眠阶段。我们报告了数据集大小，架构选择，正则化和个性化对分类性能的影响。方法：我们使用三重交叉验证评估了58种不同的架构和训练配置。结果如下：由卷积（CONV）层和长短期记忆（LSTM）层组成的网络可以使用19个受试者的训练数据集与Cohen Kappa的人类注释者达成约0.73的协议。正规化和个性化并不会带来业绩增长。总结：最佳神经网络架构实现了非常接近先前报告的人类专家间Kappa 0.75的一致性的性能。重要性：我们首次详细介绍了CONV/LSTM网络设计过程，用于单通道家庭环境中的EEG睡眠分期。
Objective: We investigate the design of deep recurrent neural networks for detecting sleep stages from single channel EEG signals recorded at home by non-expert users. We report the effect of data set size, architecture choices, regularization, and personalization on the classification performance. Methods: We evaluated 58 different architectures and training configurations using three-fold cross validation. Results: A network consisting of convolutional (CONV) layers and long short term memory (LSTM) layers can achieve an agreement with a human annotator of Cohen's Kappa of ~0.73 using a training data set of 19 subjects. Regularization and personalization do not lead to a performance gain. Conclusion: The optimal neural network architecture achieves a performance that is very close to the previously reported human inter-expert agreement of Kappa 0.75. Significance: We give the first detailed account of CONV/LSTM network design process for EEG sleep staging in single channel home based setting.
登录
查看更多内容
影响因子：
9.8
作者：
Cirelli C;Tononi G
通讯作者：
Tononi G
影响因子：
5.6
作者：
Ohayon, MM;Carskadon, MA;Vitiello, MV
通讯作者：
Vitiello, MV
影响因子：
3.4
作者：
Carrier, Julie;Viens, Isabelle;Filipini, Daniel
通讯作者：
Filipini, Daniel
影响因子：
5.3
作者：
Marshall, L;Mölle, M;Born, J
通讯作者：
Born, J
DOI：
10.1109/tnsre.2017.2721116
发表时间：
2017-11-01
影响因子：
4.9
作者：
Supratak, Akara;Dong, Hao;Guo, Yike
通讯作者：
Guo, Yike