Sleep spindle detection using multivariate Gaussian mixture models
Jazyk angličtina Země Anglie, Velká Británie Médium print-electronic
Typ dokumentu časopisecké články, práce podpořená grantem
PubMed
29034521
DOI
10.1111/jsr.12614
Knihovny.cz E-zdroje
- Klíčová slova
- Sigma index, expectation maximization, infinite impulse response filters,
- MeSH
- algoritmy MeSH
- databáze faktografické * MeSH
- dospělí MeSH
- elektroencefalografie metody MeSH
- lidé MeSH
- mladiství MeSH
- mladý dospělý MeSH
- multivariační analýza MeSH
- normální rozdělení MeSH
- polysomnografie metody MeSH
- sběr dat metody MeSH
- shluková analýza MeSH
- spánek fyziologie MeSH
- Check Tag
- dospělí MeSH
- lidé MeSH
- mladiství MeSH
- mladý dospělý MeSH
- mužské pohlaví MeSH
- ženské pohlaví MeSH
- Publikační typ
- časopisecké články MeSH
- práce podpořená grantem MeSH
In this research study we have developed a clustering-based automatic sleep spindle detection method that was evaluated on two different databases. The databases consisted of 20 all-night polysomnograph recordings. Past detection methods have been based on subject-independent and some subject-dependent parameters, such as fixed or variable thresholds to identify spindles. Using a multivariate Gaussian mixture model clustering technique, our algorithm was developed to use only subject-specific parameters to detect spindles. We have obtained an overall sensitivity range (65.1-74.1%) at a (59.55-119.7%) false positive proportion.
Interdisciplinary Sleep Centre at Charite Universitaetsmedizin Berlin Berlin Germany
International Clinical Research Center St Anne's University Hospital Brno Brno Czech Republic
School of Engineering RMIT University Melbourne Vic Australia
Citace poskytuje Crossref.org
