論文の概要: Classification Of Sleep-Wake State In A Ballistocardiogram System Based
On Deep Learning
- arxiv url: http://arxiv.org/abs/2011.08977v1
- Date: Wed, 11 Nov 2020 03:38:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:40:42.078347
- Title: Classification Of Sleep-Wake State In A Ballistocardiogram System Based
On Deep Learning
- Title（参考訳）: 深層学習に基づくバリスト心電図システムにおける睡眠覚醒状態の分類
- Authors: Nemath Ahmed, Aashit Singh, Srivyshnav KS, Gulshan Kumar, Gaurav
Parchani, Vibhor Saran
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.4680035572775534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sleep state classification is vital in managing and understanding sleep
patterns and is generally the first step in identifying acute or chronic sleep
disorders. However, it is essential to do this without affecting the natural
environment or conditions of the subject during their sleep. Techniques such as
Polysomnography(PSG) are obtrusive and are not convenient for regular sleep
monitoring. Fortunately, The rise of novel technologies and advanced computing
has given a recent resurgence to monitoring sleep techniques. One such
contactless and unobtrusive monitoring technique is Ballistocradiography(BCG),
in which vitals are monitored by measuring the body's reaction to the cardiac
ejection of blood. In this study, we propose a Multi-Head 1D-Convolution based
Deep Neural Network to classify sleep-wake state and predict sleep-wake time
accurately using the signals coming from a BCG sensor. Our method achieves a
sleep-wake classification score of 95.5%, which is on par with researches based
on the PSG system. We further conducted two independent studies in a controlled
and uncontrolled environment to test the sleep-wake prediction accuracy. We
achieve a score of 94.16% in a controlled environment on 115 subjects and
94.90% in an uncontrolled environment on 350 subjects. The high accuracy and
contactless nature of the proposed system make it a convenient method for long
term monitoring of sleep states.
- Abstract（参考訳）: 睡眠状態分類は睡眠パターンの管理と理解に不可欠であり、一般的に急性または慢性の睡眠障害を特定する最初のステップである。
しかし、睡眠中の被験者の自然環境や状況に影響を与えずに行うことが不可欠である。
ポリソムノグラフィー(PSG)のような技術は邪魔になり、通常の睡眠モニタリングには有用ではない。
幸いなことに、新しい技術と高度なコンピューティングの台頭は、睡眠技術のモニタリングに最近復活した。
接触のない非閉塞性モニタリング技術の一つにBallistocradiography (BCG)があり、血液の心臓の放出に対する身体の反応を測定することでバイタルをモニターする。
本研究では,BCGセンサからの信号を用いて,睡眠覚醒状態の分類と睡眠覚醒時間を正確に予測するマルチヘッド1次元畳み込み型ディープニューラルネットワークを提案する。
本手法は,psgシステムに基づく研究と同等の95.5%の睡眠・覚醒分類スコアを得る。
さらに,睡眠・覚醒予測の精度をテストするために,制御・無制御環境における2つの独立した実験を行った。
115人の被験者で94.16%、350人の被験者で94.90%を得る。
提案方式の高精度で接触のない性質は,睡眠状態の長期モニタリングに有用である。
関連論文リスト
- What Radio Waves Tell Us about Sleep [34.690382091650314]
本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。
睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。
このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
論文 参考訳（メタデータ） (2024-05-20T02:41:21Z) - Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。
本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文 参考訳（メタデータ） (2023-02-17T07:37:54Z) - 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) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2022-09-09T13:45:27Z) - Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。
バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。
本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
論文 参考訳（メタデータ） (2022-02-02T14:02:48Z) - 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) - A Review of the Non-Invasive Techniques for Monitoring Different Aspects of Sleep [19.49661647406365]
睡眠モニタリングのための研究が進められており、睡眠行動を理解するための重要なツールとなっている。
睡眠分析のための金の標準法は、臨床環境で行うポリソムノグラフィ(PSG)であるが、この方法は高価であり、長期使用には複雑である。
家庭内睡眠モニタリングに安価で使い易いウェアラブルと非ウェアラブルの両方を用いた様々なソリューションが提案されている。
論文 参考訳（メタデータ） (2021-04-27T04:12:43Z) - 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) - 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。