ترجمه فارسی مقاله ST-USleepNet: یک شبکه برجسته جفت مکانی-زمانی برای مرحله‌بندی خواب چند کاناله

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی ST-USleepNet: A Spatial-Temporal Coupling Prominence Network for Multi-Channel Sleep Staging
عنوان مقاله به فارسی ST-USleepNet: یک شبکه برجسته جفت مکانی-زمانی برای مرحله‌بندی خواب چند کاناله
نویسندگان Jingying Ma, Qika Lin, Ziyu Jia, Mengling Feng
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Neurons and Cognition,Machine Learning,نورون و شناخت , یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Sleep staging is critical for assessing sleep quality and diagnosing disorders. Recent advancements in artificial intelligence have driven the development of automated sleep staging models, which still face two significant challenges. 1) Simultaneously extracting prominent temporal and spatial sleep features from multi-channel raw signals, including characteristic sleep waveforms and salient spatial brain networks. 2) Capturing the spatial-temporal coupling patterns essential for accurate sleep staging. To address these challenges, we propose a novel framework named ST-USleepNet, comprising a spatial-temporal graph construction module (ST) and a U-shaped sleep network (USleepNet). The ST module converts raw signals into a spatial-temporal graph to model spatial-temporal couplings. The USleepNet utilizes a U-shaped structure originally designed for image segmentation. Similar to how image segmentation isolates significant targets, when applied to both raw sleep signals and ST module-generated graph data, USleepNet segments these inputs to extract prominent temporal and spatial sleep features simultaneously. Testing on three datasets demonstrates that ST-USleepNet outperforms existing baselines, and model visualizations confirm its efficacy in extracting prominent sleep features and temporal-spatial coupling patterns across various sleep stages. The code is available at: https://github.com/Majy-Yuji/ST-USleepNet.git.

چکیده به فارسی (ترجمه ماشینی)

مرحله خواب برای ارزیابی کیفیت خواب و تشخیص اختلالات بسیار مهم است.پیشرفت های اخیر در هوش مصنوعی ، توسعه مدل های مرحله بندی خواب خواب را سوق داده است که هنوز هم با دو چالش مهم روبرو هستند.1) به طور همزمان استخراج ویژگی های برجسته خواب زمانی و مکانی از سیگنال های خام چند کانال ، از جمله شکل موج خواب مشخص و شبکه های مغزی برجسته.2) ضبط الگوهای جفت مکانی-زمانی برای مرحله بندی دقیق خواب ضروری است.برای پرداختن به این چالش ها ، ما یک چارچوب جدید به نام ST-Usleepnet را پیشنهاد می کنیم که شامل یک ماژول ساخت و ساز نمودار مکانی (ST) و یک شبکه خواب U شکل (USLEEPNET) است.ماژول ST سیگنال های خام را به یک نمودار مکانی-زمانی تبدیل می کند تا از اتصالات مکانی-زمانی و زمانی مدل کند.Usleepnet از یک ساختار U شکل استفاده می کند که در ابتدا برای تقسیم تصویر طراحی شده است.مشابه نحوه تقسیم بندی تصویر ، اهداف قابل توجهی را جدا می کند ، هنگامی که در هر دو سیگنال خواب خام و داده های نمودار تولید شده توسط ماژول ST اعمال می شود ، بخش های Usleepnet این ورودی ها را برای استخراج ویژگی های برجسته خواب زمانی و مکانی به طور همزمان.آزمایش در سه مجموعه داده نشان می دهد که ST-USLEEPNET از خطوط پایه موجود بهتر است ، و تجسم مدل اثربخشی آن را در استخراج ویژگی های برجسته خواب و الگوهای اتصال زمانی مکانی و مکانی در مراحل مختلف خواب تأیید می کند.کد در: https://github.com/majy-yuji/st-usleepnet.git موجود است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.