지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박철수
- 발행연도
- 2023
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수18
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
수면 전문가들은 수면 장애를 가진 환자들을 진단하기 위해 수면다원검사를 진행하여 수면 단계를 손수 측정한다. 이러한 과정은 전문가들이 많은 시간과 노동력을 투입 하게 만들고 여러 개의 센서를 부착한 환자들은 불편함을 호소한다. 따라서 수면 단계를 자동으로 분류하는 방식은 수면 전문가들과 환자들에게 있어 필수적이다. 본 연구에서는 단채널 뇌전도 신호 기반으로 하는 자동 수면단계 분류 모델을 제안한다. 제안된 모델은 주파수 성분을 가진 Intrinsic Mode Functions를 추출하기 위해 Noise Assisted Bivariate Empirical Mode Decomposition를 사용하였다. 또한 뇌전도의 특징점을 추출하기 위해 Convolution Neural Network을 사용하였고 뇌전도의 순차적 정보를 학습하기 위해 Bidirectional Long Short-Term Memory을 사용하였다. 더불어, 본 논문은 어텐션 메커니즘을 적용하여 특정 수면단계 분류 시 더 많은 기여를 하는 IMFs에게 더 많은 가중치를 부여하고 이를 분석하여 모델을 해석가능하게 하였다. 우리는 세가지 공개 데이터셋(Sleep-EDF13, Sleep-EDF18, WSC)에서 Fpz-Cz, Pz-Oz, F3-M2 뇌전도 채널을 사용하여 제안된 모델의 정확도와 Macro F1-score (MF1)를 지표로 평가하였다. 제안된 모델은 다른 최신 연구들과 비교하여 가장 높은 정확도와 MF1을 보인다. 또한 벤치마크 테스트에서 FIR 대역통과 필터와 비교한 결과, 모든 실험에서 NA-BEMD가 기존 필터보다 우수함을 확인하여 제안된 모델이 해석가능하고 최첨단 수면단계 분류기임을 입증하였다.
목차
제 1 장 서론 1제 2 장 관련 연구 3제 3 장 실험 방법 53.1. 데이터셋 53.2 모델 구조 73.3 모델 설명 83.4 실험 설정 18제 4장 결과 214.1 분류 성능 214.2 벤치마킹 테스트 244.3 분해된 IMF들의 어텐션 가중치 해석 26제 5장 고찰 28제 6장 결론 31참고문헌 32
최근 본 자료
댓글(0)
0