Ensemble SVM Method for Automatic Sleep Stage Classification

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:liu-148087" > Ensemble SVM Method...

1 av 1
Föregående post
Nästa post
Till träfflistan

Alickovic, EminaLinköpings universitet,Reglerteknik,Tekniska fakulteten (författare)

Ensemble SVM Method for Automatic Sleep Stage Classification

Artikel/kapitelEngelska2018

Förlag, utgivningsår, omfång ...

IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC,2018
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:liu-148087
https://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-148087URI
https://doi.org/10.1109/TIM.2018.2799059DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Sleep scoring is used as a diagnostic technique in the diagnosis and treatment of sleep disorders. Automated sleep scoring is crucial, since the large volume of data should be analyzed visually by the sleep specialists which is burdensome, time-consuming tedious, subjective, and error prone. Therefore, automated sleep stage classification is a crucial step in sleep research and sleep disorder diagnosis. In this paper, a robust system, consisting of three modules, is proposed for automated classification of sleep stages from the single-channel electroencephalogram (EEG). In the first module, signals taken from Pz-Oz electrode were denoised using multiscale principal component analysis. In the second module, the most informative features are extracted using discrete wavelet transform (DWT), and then, statistical values of DWT subbands are calculated. In the third module, extracted features were fed into an ensemble classifier, which can be called as rotational support vector machine (RotSVM). The proposed classifier combines advantages of the principal component analysis and SVM to improve classification performances of the traditional SVM. The sensitivity and accuracy values across all subjects were 84.46% and 91.1%, respectively, for the five-stage sleep classification with Cohens kappa coefficient of 0.88. Obtained classification performance results indicate that, it is possible to have an efficient sleep monitoring system with a single-channel EEG, and can be used effectively in medical and home-care applications.

Ämnesord och genrebeteckningar

TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Signalbehandling hsv//swe
ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Signal Processing hsv//eng
Discrete wavelet transform (DWT); multiscale principal component analysis (MSPCA); rotational support vector machine (RotSVM); single-channel electroencephalogram (EEG); sleep stage classification

Biuppslag (personer, institutioner, konferenser, titlar ...)

Subasi, AbdulhamitEffat Univ, Saudi Arabia (författare)
Linköpings universitetReglerteknik (creator_code:org_t)

Sammanhörande titlar

Ingår i:IEEE Transactions on Instrumentation and Measurement: IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC67:6, s. 1258-12650018-94561557-9662

Internetlänk

Hitta via bibliotek

IEEE Transactions on Instrumentation and Measurement (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Alickovic, Emina; Subasi, Abdulham ...

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Elektroteknik oc ...; och Signalbehandling

Artiklar i publikationen: IEEE Transaction ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se