論文の概要: Automatic Micro-sleep Detection under Car-driving Simulation Environment using Night-sleep EEG

• arxiv url: http://arxiv.org/abs/2012.05705v1
• Date: Thu, 10 Dec 2020 14:37:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:09:04.590312
• Title: Automatic Micro-sleep Detection under Car-driving Simulation Environment using Night-sleep EEG
• Title（参考訳）: 夜間スリープ脳波を用いた運転シミュレーション環境下での自動マイクロスリープ検出
• Authors: Young-Seok Kweon, Gi-Hwan Shin, Heon-Gyu Kwak, Minji Lee
• Abstract要約: マイクロスリープ(micro-sleep)は、1秒から30秒続く短い睡眠である。 EEGは意識と睡眠に関連していたため、微小睡眠を検出するのに適しています。 深層学習は脳の状態を認識する上で大きなパフォーマンスを示したが、十分なデータが必要である。
• 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: A micro-sleep is a short sleep that lasts from 1 to 30 secs. Its detection during driving is crucial to prevent accidents that could claim a lot of people's lives. Electroencephalogram (EEG) is suitable to detect micro-sleep because EEG was associated with consciousness and sleep. Deep learning showed great performance in recognizing brain states, but sufficient data should be needed. However, collecting micro-sleep data during driving is inefficient and has a high risk of obtaining poor data quality due to noisy driving situations. Night-sleep data at home is easier to collect than micro-sleep data during driving. Therefore, we proposed a deep learning approach using night-sleep EEG to improve the performance of micro-sleep detection. We pre-trained the U-Net to classify the 5-class sleep stages using night-sleep EEG and used the sleep stages estimated by the U-Net to detect micro-sleep during driving. This improved micro-sleep detection performance by about 30\% compared to the traditional approach. Our approach was based on the hypothesis that micro-sleep corresponds to the early stage of non-rapid eye movement (NREM) sleep. We analyzed EEG distribution during night-sleep and micro-sleep and found that micro-sleep has a similar distribution to NREM sleep. Our results provide the possibility of similarity between micro-sleep and the early stage of NREM sleep and help prevent micro-sleep during driving.
• Abstract（参考訳）: マイクロスリープ(micro-sleep)は、1秒から30秒続く短い睡眠である。 運転中の検出は、多くの人の命を請求する事故を防ぐために不可欠です。 脳電図(EEG)は、脳波が意識と睡眠と関連していたため、微小睡眠を検出するのに適している。 ディープラーニングは脳の状態を認識する上で優れた性能を示したが、十分なデータが必要である。 しかし、運転中のマイクロスリープデータの収集は非効率であり、騒音によるデータ品質低下のリスクが高い。 自宅での睡眠データは、運転中のマイクロ睡眠データよりも収集が容易である。 そこで我々は,睡眠時脳波を用いた深層学習手法を提案し,睡眠時脳波の検出性能を向上した。 夜間脳波を用いて5クラス睡眠ステージを分類するためにU-Netを事前訓練し,U-Netが推定した睡眠ステージを用いて運転中のマイクロ睡眠を検出する。 このマイクロスリープ検出性能は従来の手法と比較して約30%向上した。 提案手法は,マイクロスリープが非ラピッドアイムーブメント(NREM)睡眠の初期に対応するという仮説に基づいていた。 睡眠時と睡眠時における脳波分布はNREM睡眠時と同様の分布を示した。 以上の結果から, NREM睡眠早期とマイクロスリープの類似性が示唆され, 運転時のマイクロスリープ防止に有効であった。

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)
• Ubi-SleepNet: Advanced Multimodal Fusion Techniques for Three-stage Sleep Classification Using Ubiquitous Sensing [9.489361939530383]
  臨床睡眠モニタリングにおける金の基準はポリソムノグラフィ(PSG)である PSGは高価で負担がかかり、日常使用には適さない。 長期睡眠モニタリングでは、ユビキタスセンシングが解決策となるかもしれない。
  論文  参考訳（メタデータ） (2021-11-19T14:26:53Z)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• 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。