Penggunaan Deep Neural Networks dalam Expert-Level Sleep Scoring

CNN menggunakan operasi konvolusi untuk mengekstrak fitur dari data input dan mempelajari fitur-fitur tersebut untuk mengklasifikasikan data input. Dalam RCNN, CNN digunakan untuk mengekstrak fitur dari data tidur, dan RNN digunakan untuk memproses urutan waktu dari fitur-fitur tersebut untuk mengklasifikasikan tahap tidur pada data tidur. Dengan menggabungkan kedua jenis arsitektur deep learning ini, RCNN dapat memanfaatkan kekuatan masing-masing arsitektur untuk menghasilkan kinerja yang lebih baik dalam mengklasifikasikan tahap tidur pada data tidur.

Mengotomatisasi Tugas Scoring

Kesimpulan dari jurnal tersebut adalah deep neural networks dapat digunakan untuk mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium dengan kinerja yang setara dengan ahli manusia. Automasi scoring yang akurat dapat meningkatkan efektivitas dan efisiensi pendekatan di laboratorium dan di rumah untuk diagnosis tidur, yang berpotensi memperluas jangkauan keahlian tidur di luar klinik spesialis. Selain itu, deep learning models dapat belajar fitur yang lebih baik daripada manusia dalam tugas scoring tidur, yang dapat mengurangi bias dan meminimalkan beban kerja manusia.

Sumber