دانلود ترجمه مقاله شناسایی برانگیختگی با شبکه های عصبی عمیق و سیگنال های فیزیولوژیکی

1. مقدمه 2. روش 3. نتایج و بحث و بررسی 4. نتیجه گیری

چکیده – به دلیل فشار روزافزون زندگی در جامعه مدرن، افراد بیشتری به طور فزاینده از اختلال های خواب رنج می برند. جدی ترین مورد اختلال خواب، با نام آپنه، یک بلوک کاملا شکننده دارد که منجر به بیدار شدن و اختلال های متعاقب آن، در خواب می شود. با این وجود موانع زیادی هنوز هم در شناسایی اتوماتیک برانگیختگی ها وجود دارند. در این مطالعه چندین روش جدید، برای شناسایی موارد غیر آپنهی برانگیختگی، در طول خواب، با استفاده از چندین سیگنال روانشناختی توسعه داده شده اند. در مجموعه داده فراهم آورده شده، طول مناطق برانگیختگی، بسیار کمتر از مناطق غیربرانگیختگی است. به منظور پرداختن به این مسئله، مجموعه ای از سگمنت ها برای آموزش مدل، استخراج شده اند که در آن، مناطق برانگیختگی، نسبت بسیار بیشتری را به نسبت مجموعه آموزشی اولیه به خود اختصاص می دهند. پس از پیش-پردازش، یک شبکه عصبی عمیق توالی به توالی (DNN) که متشکل از مجموعه ای از لایه های کانولوشن، با اتصالات پس ماند می باشد و یک لایه حافظه کوتاه مدت بلند (LSTM) و دو لایه کاملا متصل برای طبقه بندی نمونه ها در سگمنت ها آموزش داده شده اند. نتایج نشان می دهد مساحت زیر منحنی به یادآوری دقیق دریافت کننده (AUPRC) در مجموعه داده آزمایشی، 0.43 است. در این مطالعه، یک الگوریتم موثر، برای شناسایی برانگیخته های غیرآپنه توسعه داده شده است که پتانسیل فوق العاده ای در تشخیص کلینیکی و درمان اختلال های اتوماتیک خواب، در آینده خواهد داشت.

Due to the increasing life pressure in modern society, more and more people are suffering from sleep disorders. The most serious case of sleep disorders called apnea is characterized by a complete breaking block, leading to awakening and subsequent sleep disturbances. However, great obstacles still exist in automatic identification of arousals. In this study, a novel method was developed to detect non-apnea sources of arousals during sleep using several physiological signals. In the dataset provided, the duration of arousal regions is much less than that of non-arousal regions. In order to address this issue, a set of segments were extracted for model training in which arousal regions take up a much larger proportion than that in the original training set. After the preprocessing, a sequence-to-sequence deep neural networks (DNNs) which consists of a series of convolutional layers with residual connections, a long short-term memory (LSTM) layer and two fully connected layers, was trained to classify samples in the segments. Result shows that the area under receiver precision recall curve (AUPRC) is 0.43 in test dataset. In this study, an effective algorithm to detect non-apnea arousals was developed, which has great potentials in the clinical diagnosis and treatment of automatic sleep disturbance in the future.