Expert-level automated sleep staging of long-term scalp electroencephalography recordings using deep learning

STUDY OBJECTIVES: Develop a high-performing, automated sleep scoring algorithm that can be applied to long-term scalp electroencephalography (EEG) recordings. METHODS: Using a clinical dataset of polysomnograms from 6,431 patients (MGH–PSG dataset), we trained a deep neural network to classify sleep...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:
Λεπτομέρειες βιβλιογραφικής εγγραφής
Τόπος έκδοσης:Sleep
Κύριοι συγγραφείς: Abou Jaoude, Maurice, Sun, Haoqi, Pellerin, Kyle R, Pavlova, Milena, Sarkis, Rani A, Cash, Sydney S, Westover, M Brandon, Lam, Alice D
Μορφή: Artigo
Γλώσσα:Inglês
Έκδοση: Oxford University Press 2020
Θέματα:
Big Data Approaches to Sleep and Circadian Science
Διαθέσιμο Online:https://ncbi.nlm.nih.gov/pmc/articles/PMC7686563/
https://ncbi.nlm.nih.gov/pubmed/32478820
https://ncbi.nlm.nih.govhttp://dx.doi.org/10.1093/sleep/zsaa112
Ετικέτες: Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!

Παρόμοια τεκμήρια