Adaptive Segmentation Optimization for Sleep Spindle Detector

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F16%3A00307027" target="_blank" >RIV/68407700:21730/16:00307027 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21460/16:00307027 RIV/68407700:21230/16:00307027

Výsledek na webu

<a href="http://80.link.springer.com.dialog.cvut.cz/chapter/10.1007/978-3-319-43949-5_6" target="_blank" >http://80.link.springer.com.dialog.cvut.cz/chapter/10.1007/978-3-319-43949-5_6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-43949-5_6" target="_blank" >10.1007/978-3-319-43949-5_6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Adaptive Segmentation Optimization for Sleep Spindle Detector

Popis výsledku v původním jazyce

Segmentation is a crucial part of the signal processing as it has a significant influence on further analysis quality. Adaptive segmentation based on sliding windows is relatively simple, works quite good and can work online. It has however many tunable parameters whose proper values depend on the task and signal type. The paper proposes a method of defining optimal parameters for detection of sleep spindles in electroencephalogram. Segmentation algorithm based on Varri method was utilized. Fitness function was proposed for estimation of agreement between the segmentation result and borders of the target classification. Particle swarm optimization was used to find optimal parameters. On the data of 11 insomniac subjects the method reached 28% improvement in comparison to the baseline method using default parameters.

Název v anglickém jazyce

Adaptive Segmentation Optimization for Sleep Spindle Detector

Popis výsledku anglicky

Segmentation is a crucial part of the signal processing as it has a significant influence on further analysis quality. Adaptive segmentation based on sliding windows is relatively simple, works quite good and can work online. It has however many tunable parameters whose proper values depend on the task and signal type. The paper proposes a method of defining optimal parameters for detection of sleep spindles in electroencephalogram. Segmentation algorithm based on Varri method was utilized. Fitness function was proposed for estimation of agreement between the segmentation result and borders of the target classification. Particle swarm optimization was used to find optimal parameters. On the data of 11 insomniac subjects the method reached 28% improvement in comparison to the baseline method using default parameters.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GP13-21696P" target="_blank" >GP13-21696P: Selekce příznaků pro modely vícedimenzionálních časových řad uvažující časový kontext</a><br>

Návaznosti

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

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Information Technology in Bio- and Medical Informatics

ISBN

978-3-319-43948-8

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

85-96

Název nakladatele

Springer

Místo vydání

Basel

Místo konání akce

Porto

Datum konání akce

5. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000389336800006