SleepNet: Détection automatisée des troubles du sommeil via un réseau de neurones convolutionnels denses

mars 19, 2019 0 Par admin

(Envoyé le 11 mars 2019)

Résumé: Dans ce travail, un réseau de neurones convolutionnels récurrents denses (DRCNN) a été construit pour détecter les troubles du sommeil, notamment l’éveil, l’apnée et l’hypopnée, à l’aide des canaux de mesure de polysomnographie disponibles dans la base de données de défis PhysioNet 2018. Notre structure de modèle est composée de plusieurs unités convolutives denses (DCU), suivies d’une couche bidirectionnelle de mémoire à long terme et à court terme (LSTM), suivies d’une couche de sortie softmax. Les événements liés au sommeil, y compris les étapes du sommeil, les régions d’activation et de nombreux types d’apnées et d’hypopnées, sont annotés manuellement par des experts, ce qui nous permet de former le réseau que nous proposons en utilisant un mécanisme d’apprentissage multi-tâches. Trois fonctions binaires de perte d’entropie croisée correspondant aux tâches de détection sommeil / veille, présence / absence d’éveil et apnée-hypopnée / normale sont résumées pour générer notre fonction globale de perte de réseau optimisée par la méthode Adam. Les performances de notre modèle ont été évaluées à l’aide de deux mesures: l’aire sous la courbe de rappel de précision (AUPRC) et l’aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC). Pour mesurer la généralisation de notre modèle, une validation croisée de 4 fois a également été réalisée. Pour la formation, notre modèle a été appliqué à l’enregistrement de nuit complète. Enfin, les valeurs AUPRC et AUROC moyennes associées à la tâche de détection d’éveil étaient respectivement de 0,505 et 0,922 dans notre ensemble de données de test. Un ensemble de quatre modèles formés sur différents plis de données a amélioré les AUPRC et AUROC à 0,543 et 0,931, respectivement. Notre algorithme proposé a atteint la première place dans l’étape officielle du défi PhysioNet de 2018 pour la détection des réveils du sommeil avec un AUPRC de 0,54 $ sur l’ensemble de données de tests à l’aveugle.

Commentaires: 15 pages, 4 figures, soumises au Physiological Measurement Journal
Sujets: Apprentissage automatique (cs.LG) ; Calcul neuronal et évolutif (cs.NE); Neurones et cognition (q-bio.NC); Apprentissage Machine (stat.ML)
Cite comme: arXiv: 1903.04377 [cs.LG]
(ou arXiv: 1903.04377v1 [cs.LG] pour cette version)

Historique de soumission

De: Bahareh Pourbabaee [

voir l’email

]

[v1]

Lun., 11 mars 2019 15:41:55 UTC (1,065 KB)


Huile de CBD peut aider avec troubles de sommeil. Visite HuileCBD.be


Lire la suite