Detecting Sleep Spindles Using Entropy
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F21%3A00344976" target="_blank" >RIV/68407700:21460/21:00344976 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21730/21:00344976 RIV/00023752:_____/21:43920491
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-030-64610-3_41" target="_blank" >https://doi.org/10.1007/978-3-030-64610-3_41</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-64610-3_41" target="_blank" >10.1007/978-3-030-64610-3_41</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Detecting Sleep Spindles Using Entropy
Popis výsledku v původním jazyce
Sleep spindles are bursts of brain activity during sleep. They occur during the NREM2 stage of sleep and appear as fluctuations in electric recordings, looking like yarn spindles. This increase of activity can be detected by complexity measures, the most popular of which are the entropy based estimations. In this paper, we use entropy to measure the brain activity during sleep spindle and non-spindle periods and discriminate them employing the machine learning technology. Two are the main outcomes of this work: a) we show that it is possible to achieve remarkable classification performance when detecting sleep spindles with entropy based measures and machine learning techniques, presenting classification accuracy of more than 95 % and (b) we report that bubble entropy, a recently introduced definition of entropy, presented the lowest p-value of all examined features.
Název v anglickém jazyce
Detecting Sleep Spindles Using Entropy
Popis výsledku anglicky
Sleep spindles are bursts of brain activity during sleep. They occur during the NREM2 stage of sleep and appear as fluctuations in electric recordings, looking like yarn spindles. This increase of activity can be detected by complexity measures, the most popular of which are the entropy based estimations. In this paper, we use entropy to measure the brain activity during sleep spindle and non-spindle periods and discriminate them employing the machine learning technology. Two are the main outcomes of this work: a) we show that it is possible to achieve remarkable classification performance when detecting sleep spindles with entropy based measures and machine learning techniques, presenting classification accuracy of more than 95 % and (b) we report that bubble entropy, a recently introduced definition of entropy, presented the lowest p-value of all examined features.
Klasifikace
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)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA17-20480S" target="_blank" >GA17-20480S: Časový kontext v úloze analýzy dlouhodobého nestacionárního vícerozměrného signálu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
8th European Medical and Biological Engineering Conference
ISBN
978-3-030-64609-7
ISSN
1680-0737
e-ISSN
1433-9277
Počet stran výsledku
7
Strana od-do
356-362
Název nakladatele
Springer International Publishing
Místo vydání
Cham
Místo konání akce
Portorož
Datum konání akce
29. 11. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—