論文の概要: Chest Area Segmentation in Depth Images of Sleeping Patients

• arxiv url: http://arxiv.org/abs/2008.09773v1
• Date: Sat, 22 Aug 2020 07:54:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 08:04:48.555037
• Title: Chest Area Segmentation in Depth Images of Sleeping Patients
• Title（参考訳）: 睡眠患者の奥行き画像における胸部領域分割
• Authors: Yoav Goldstein, Martin Sch\"atz and Mireille Avigal
• Abstract要約: 睡眠障害を検出する最も一般的で効率的な方法は、PSG(Polysomnography)と呼ばれる方法において、睡眠実験室で実施される睡眠検査である。 より正確で安価な3Dセンシングデバイスの開発により、非接触睡眠研究のための新しいアプローチが出現した。 これらの方法は、同じ睡眠パラメータを抽出するために異なる手法を利用するが、遠隔で、患者の身体に物理的に接続する必要がなくなる。 本研究では,睡眠患者の3次元フレームの入力セットを与えられた胸部領域の自動分割アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.7664665225284267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the field of sleep study has greatly developed over the recent years, the most common and efficient way to detect sleep issues remains a sleep examination performed in a sleep laboratory, in a procedure called Polysomnography (PSG). This examination measures several vital signals during a full night's sleep using multiple sensors connected to the patient's body. Yet, despite being the golden standard, the connection of the sensors and the unfamiliar environment inevitably impact the quality of the patient's sleep and the examination itself. Therefore, with the novel development of more accurate and affordable 3D sensing devices, new approaches for non-contact sleep study emerged. These methods utilize different techniques with the purpose to extract the same sleep parameters, but remotely, eliminating the need of any physical connections to the patient's body. However, in order to enable reliable remote extraction, these methods require accurate identification of the basic Region of Interest (ROI) i.e. the chest area of the patient, a task that is currently holding back the development process, as it is performed manually for each patient. In this study, we propose an automatic chest area segmentation algorithm, that given an input set of 3D frames of a sleeping patient, outputs a segmentation image with the pixels that correspond to the chest area, and can then be used as an input to subsequent sleep analysis algorithms. Except for significantly speeding up the development process of the non-contact methods, accurate automatic segmentation can also enable a more precise feature extraction and it is shown it is already improving sensitivity of prior solutions on average 46.9% better compared to manual ROI selection. All mentioned will place the extraction algorithms of the non-contact methods as a leading candidate to replace the existing traditional methods used today.
• Abstract（参考訳）: 睡眠研究の分野は近年大きく発展してきたが、睡眠問題を検出する最も一般的で効率的な方法は、睡眠検査室で実施される睡眠検査であり、これはPSG(Polysomnography)と呼ばれる方法である。 この検査は、患者の身体に接続された複数のセンサーを用いて、一晩の睡眠中にいくつかの重要な信号を測定する。 しかし、ゴールデンスタンダードであるにもかかわらず、センサーと慣れない環境の接続は、患者の睡眠と検査自体の品質に必然的に影響を及ぼす。 そのため、より正確で安価な3Dセンシング装置の開発が進み、非接触睡眠研究の新しいアプローチが生まれた。 これらの方法は、同じ睡眠パラメータを抽出する目的で異なる技術を利用するが、遠隔で患者の身体への物理的接続を不要にする。 しかし,信頼性の高い遠隔抽出を実現するためには,患者の胸部領域,すなわち現在開発過程を保留しているタスクを,各患者に対して手動で行うという,基本的な関心領域(ROI)の正確な同定が必要である。 本研究では、眠る患者の3dフレームの入力セットが与えられた後、胸部領域に対応する画素でセグメンテーション画像が出力され、その後、睡眠分析アルゴリズムへの入力として使用できる胸部領域セグメンテーションアルゴリズムを提案する。 非接触法の開発プロセスを大幅に高速化する以外は、精度の高い自動セグメンテーションにより、より正確な特徴抽出が可能であり、手動ROI選択よりも平均46.9%の精度で先行ソリューションの感度が向上していることが示されている。 上記のすべては、既存の従来の方法を置き換える主要な候補として、非接触メソッドの抽出アルゴリズムを配置する。

関連論文リスト

• aSAGA: Automatic Sleep Analysis with Gray Areas [2.47298967960367]
  最新の自動睡眠ステージング手法は、手動睡眠ステージングと同等の信頼性と優れた時間効率をすでに示している。 本稿では,睡眠分析のためのヒューマン・イン・ザ・ループの概念を提案し,臨床ポリソノグラフィー記録と在宅睡眠研究の両方で効果的に機能する自動睡眠ステージングモデル(aSAGA)を提案する。
  論文  参考訳（メタデータ） (2023-10-03T13:17:38Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Identity and Posture Recognition in Smart Beds with Deep Multitask Learning [8.422257363944295]
  被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。 喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。 提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
  論文  参考訳（メタデータ） (2021-04-05T21:21:54Z)
• 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)
• Classification Of Sleep-Wake State In A Ballistocardiogram System Based On Deep Learning [1.4680035572775534]
  本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。 睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
  論文  参考訳（メタデータ） (2020-11-11T03:38:33Z)
• 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)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features [5.104181562775778]
  多くの自動睡眠ステージ認識法が提案されている。 これらの手法のほとんどは、バイタル信号から抽出された時間周波数の特徴を用いる。 近年,教師なし特徴抽出にディープニューラルネットワークを用いるASSR法が提案されている。 本稿では,この2つのアイデアを組み合わせて,時間周波数と教師なしの特徴を同時に利用することを提案する。
  論文  参考訳（メタデータ） (2020-04-10T02:00:29Z)

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。