Automatic Sleep Stage Classification by CNN-Transformer-LSTM using single-channel EEG signal

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970947" target="_blank" >RIV/49777513:23520/23:43970947 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10385687" target="_blank" >https://ieeexplore.ieee.org/document/10385687</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/BIBM58861.2023.10385687" target="_blank" >10.1109/BIBM58861.2023.10385687</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Automatic Sleep Stage Classification by CNN-Transformer-LSTM using single-channel EEG signal

Popis výsledku v původním jazyce

Sleep stage classification plays a crucial role in diagnosing sleep disorders and understanding sleep physiology. In recent years, automated models based on machine learning and deep learning have gained attention for sleep stage classification. This paper uses the single-channel EEG signal to present an automatic sleep stage classification system using a combination of Convolutional Neural Network (CNN), Transformer, and Long Short-Term Memory (LSTM) models. Experimental evaluation of the ISRUC sleep datasets S1 and S3 demonstrates the effectiveness of the proposed model. It achieves accuracies of 80.37% and 82.40%, respectively, achieving competitive performance compared to state-of-the-art models.

Název v anglickém jazyce

Automatic Sleep Stage Classification by CNN-Transformer-LSTM using single-channel EEG signal

Popis výsledku anglicky

Sleep stage classification plays a crucial role in diagnosing sleep disorders and understanding sleep physiology. In recent years, automated models based on machine learning and deep learning have gained attention for sleep stage classification. This paper uses the single-channel EEG signal to present an automatic sleep stage classification system using a combination of Convolutional Neural Network (CNN), Transformer, and Long Short-Term Memory (LSTM) models. Experimental evaluation of the ISRUC sleep datasets S1 and S3 demonstrates the effectiveness of the proposed model. It achieves accuracies of 80.37% and 82.40%, respectively, achieving competitive performance compared to state-of-the-art models.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)

ISBN

979-8-3503-3748-8

ISSN

2156-1125

e-ISSN

2156-1133

Počet stran výsledku

5

Strana od-do

2559-2563

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Istanbul

Datum konání akce

5. 12. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—