Improvement of Sleep Spindle Detection by Aggregation Techniques

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023752%3A_____%2F20%3A43919974" target="_blank" >RIV/00023752:_____/20:43919974 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21230/20:00335281 RIV/68407700:21460/20:00335281 RIV/68407700:21730/20:00335281

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007%2F978-3-030-31635-8_27" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-31635-8_27</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-31635-8_27" target="_blank" >10.1007/978-3-030-31635-8_27</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improvement of Sleep Spindle Detection by Aggregation Techniques

Popis výsledku v původním jazyce

The study focuses on automatic sleep spindle detection. Plenty of methods have been proposed in previous decades. However, there is still space for improvement. In this study, we investigate aggregation methods such as voting to achieve better results. We employ an unweighted model and two weighted voting models in which assigned weights represent reliability of automatic detectors. First weighted model utilizes supervised approach based on logistic regression. The second one applies unsupervised generative Bayesian model often used in crowdsourcing. Using the expectation maximization algorithm, we uncover hidden true labels and weighs of detectors. We test methods on the real world datasets. The aggregation method overcome single detectors on 10% on average in terms of F1. Moreover, a probabilistic explanation of weights could be used in applications for visual analysis.

Název v anglickém jazyce

Improvement of Sleep Spindle Detection by Aggregation Techniques

Popis výsledku anglicky

The study focuses on automatic sleep spindle detection. Plenty of methods have been proposed in previous decades. However, there is still space for improvement. In this study, we investigate aggregation methods such as voting to achieve better results. We employ an unweighted model and two weighted voting models in which assigned weights represent reliability of automatic detectors. First weighted model utilizes supervised approach based on logistic regression. The second one applies unsupervised generative Bayesian model often used in crowdsourcing. Using the expectation maximization algorithm, we uncover hidden true labels and weighs of detectors. We test methods on the real world datasets. The aggregation method overcome single detectors on 10% on average in terms of F1. Moreover, a probabilistic explanation of weights could be used in applications for visual analysis.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

15th Mediterranean Conference on Medical and Biological Engineering and Computing, MEDICON 2019; Coimbra; Portugal; 26 September 2019 through 28 September 2019

ISBN

978-3-030-31634-1

ISSN

1680-0737

e-ISSN

—

Počet stran výsledku

8

Strana od-do

226-234

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Coimbra, Portugal

Datum konání akce

26. 9. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—