S'abonner

Classification des stades de sommeil par des réseaux de neurones artificiels hiérarchiques - 18/02/12

Sleep stages classification by hierarchical artificial neural networks

Doi : 10.1016/j.irbm.2011.12.006 
N. Kerkeni a, , R. Ben Cheikh b, M.H. Bedoui a, F. Alexandre c, M. Dogui b
a Équipe technologie et imagerie médicale (TIM), laboratoire de biophysique, faculté de médecine de Monastir, 5019 Monastir, Tunisie 
b Équipe neurophysiologie de la vigilance, de l’attention et des performances (NVAP), laboratoire de physiologie, faculté de médecine de Monastir, 5019 Monastir, Tunisie 
c Équipe Cortex Inria Nancy/Loria Nancy, 615, rue du Jardin-Botanique, 54603 Villers-Lès-Nancy cedex, France 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 6
Iconographies 2
Vidéos 0
Autres 0

Résumé

L’objectif de notre travail est de proposer un outil d’analyse automatique et d’aide à la décision basé sur les réseaux de neurones artificiels (RNA). La première difficulté consiste dans le choix de la représentation des signaux physiologiques et en particulier de l’électroencéphalogramme (EEG). Une fois la représentation adoptée, l’étape suivante est la conception du réseau de neurones optimal déterminé par un processus d’apprentissage et de validation sur des données issues d’un ensemble d’enregistrements de sommeil. Nous avons étudié plusieurs configurations classiques de RNA qui ont donnés des résultats variants de 62 à 71 % pour enfin proposer une nouvelle configuration hiérarchique qui donne un taux de 74 % de bonne classification pour six stades. Ces résultats nous incitent à approfondir l’étude de cette problématique aux niveaux représentation et conception des RNA pour améliorer les performances de notre outil.

Le texte complet de cet article est disponible en PDF.

Abstract

The goal of our work is to provide an automatic analysis and decision tool for sleep stages classification based on an artificial neural networks (ANN). The first difficulty lies in choosing the physiological signals representation and in particular the electroencephalogram (EEG). Once the representation adopted, the next step is to design the optimal neural network determined by a learning and validation process of data from a set of sleep records. We studied several configurations of conventional ANN giving results varying from 62 to 71 %, then we proposed a new hierarchical configuration, which gives a rate of 74 % correct classification for six stages. These results lead us to further explore this issue at the representation and design of ANNs to improve the performance of our tool.

Le texte complet de cet article est disponible en PDF.

Plan


© 2012  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 33 - N° 1

P. 35-40 - février 2012 Retour au numéro
Article précédent Article précédent
  • Raisonnement possibiliste en diagnostic médical : application au diagnostic de lésions endoscopiques
  • M.H. Alsun, L. Lecornu, B. Solaiman

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.