論文の概要: Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals
- arxiv url: http://arxiv.org/abs/2008.03382v1
- Date: Fri, 7 Aug 2020 21:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:56:16.838169
- Title: Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals
- Title(参考訳): パルスオキシメトリー信号を用いたリカレントニューラルネットワークによる睡眠覚醒段階の分類
- Authors: Ramiro Casal, Leandro E. Di Persia, Gast\'on Schlotthauer
- Abstract要約: 自律神経系の調節は睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The regulation of the autonomic nervous system changes with the sleep stages
causing variations in the physiological variables. We exploit these changes
with the aim of classifying the sleep stages in awake or asleep using pulse
oximeter signals. We applied a recurrent neural network to heart rate and
peripheral oxygen saturation signals to classify the sleep stage every 30
seconds. The network architecture consists of two stacked layers of
bidirectional gated recurrent units (GRUs) and a softmax layer to classify the
output. In this paper, we used 5000 patients from the Sleep Heart Health Study
dataset. 2500 patients were used to train the network, and two subsets of 1250
were used to validate and test the trained models. In the test stage, the best
result obtained was 90.13% accuracy, 94.13% sensitivity, 80.26% specificity,
92.05% precision, and 84.68% negative predictive value. Further, the Cohen's
Kappa coefficient was 0.74 and the average absolute error percentage to the
actual sleep time was 8.9%. The performance of the proposed network is
comparable with the state-of-the-art algorithms when they use much more
informative signals (except those with EEG).
- Abstract(参考訳): 自律神経系の調節は、生理的変数の変化を引き起こす睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
ネットワークアーキテクチャは、双方向ゲートリカレントユニット(grus)の2つのスタック層と、出力を分類するためのsoftmax層で構成される。
本研究では,Sleep Heart Health Studyデータセットから5000人の患者を用いた。
2500人の患者がネットワークのトレーニングに使われ、1250の2つのサブセットがトレーニングされたモデルの検証とテストに使用された。
テスト段階では、90.13%の精度、94.13%の感度、80.26%の特異性、92.05%の精度、84.68%の負の予測値が得られた。
さらに、コーエンのカッパ係数は 0.74 であり、実際の睡眠時間に対する絶対誤差率は 8.9% であった。
提案するネットワークの性能は、より情報的な信号(EEGを除く)を使用する場合の最先端のアルゴリズムに匹敵する。
関連論文リスト
- A Systematic Review on Sleep Stage Classification and Sleep Disorder Detection Using Artificial Intelligence [0.0]
本研究は,近年の文献を包括的かつ体系的にレビューし,睡眠研究における様々なアプローチとその成果を分析することを目的としている。
このレビューでは、最初183の論文が異なる雑誌から選ばれ、そのうち80の論文が2016年から2023年まで、明示的なレビューのために登録された。
脳波は、睡眠ステージングや障害研究に最もよく用いられる身体パラメータである。
論文 参考訳(メタデータ) (2024-05-17T11:09:33Z) - Automated Atrial Fibrillation Classification Based on Denoising Stacked
Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。
AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。
Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文 参考訳(メタデータ) (2022-01-26T21:45:48Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳(メタデータ) (2021-07-23T06:37:38Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳(メタデータ) (2021-07-18T13:18:12Z) - Sleep syndromes onset detection based on automatic sleep staging
algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。
深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。
コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文 参考訳(メタデータ) (2021-07-07T15:38:47Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z) - Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals [0.0]
覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。
トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。
全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
論文 参考訳(メタデータ) (2021-01-29T22:58:33Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳(メタデータ) (2021-01-07T13:08:44Z) - Automatic detection of microsleep episodes with deep learning [55.41644538483948]
15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される
覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。
MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。
入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
論文 参考訳(メタデータ) (2020-09-07T11:38:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。