論文の概要: RobustSleepNet: Transfer learning for automated sleep staging at scale
- arxiv url: http://arxiv.org/abs/2101.02452v1
- Date: Thu, 7 Jan 2021 09:39:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:43:18.672070
- Title: RobustSleepNet: Transfer learning for automated sleep staging at scale
- Title（参考訳）: RobustSleepNet: 大規模な自動睡眠ステージングのための移行学習
- Authors: Antoine Guillot and Valentin Thorey
- Abstract要約: 睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。
実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。
我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
- 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: Sleep disorder diagnosis relies on the analysis of polysomnography (PSG)
records. Sleep stages are systematically determined as a preliminary step of
this examination. In practice, sleep stage classification relies on the visual
inspection of 30-seconds epochs of polysomnography signals. Numerous automatic
approaches have been developed to replace this tedious and expensive task.
Although these methods demonstrated better performance than human sleep experts
on specific datasets, they remain largely unused in sleep clinics. The main
reason is that each sleep clinic uses a specific PSG montage that most
automatic approaches are unable to handle out-of-the-box. Moreover, even when
the PSG montage is compatible, publications have shown that automatic
approaches perform poorly on unseen data with different demographics. To
address these issues, we introduce RobustSleepNet, a deep learning model for
automatic sleep stage classification able to handle arbitrary PSG montages. We
trained and evaluated this model in a leave-one-out-dataset fashion on a large
corpus of 8 heterogeneous sleep staging datasets to make it robust to
demographic changes. When evaluated on an unseen dataset, RobustSleepNet
reaches 97% of the F1 of a model trained specifically on this dataset. We then
show that finetuning RobustSleepNet, using a part of the unseen dataset,
increase the F1 by 2% when compared to a model trained specifically for this
dataset. Hence, RobustSleepNet unlocks the possibility to perform high-quality
out-of-the-box automatic sleep staging with any clinical setup. It can also be
finetuned to reach a state-of-the-art level of performance on a specific
population.
- Abstract（参考訳）: 睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。
睡眠段階は、この検査の予備段階として体系的に決定される。
実際には、睡眠段階分類は、30秒間のポリソノグラフィー信号の視覚検査に依存している。
この面倒で高価なタスクを置き換えるために、多くの自動アプローチが開発されている。
これらの方法は、特定のデータセットでヒトの睡眠専門家よりも優れた性能を示したが、睡眠クリニックでは使用されていない。
主な理由は、各睡眠クリニックが特定のPSGモンタージュを使用しており、ほとんどの自動的なアプローチでは最初から対応できないからです。
さらに、PSGモンタージュが互換性があるとしても、出版物は、異なる人口層を持つ見えないデータに対して自動的なアプローチが不十分であることを示した。
これらの問題に対処するために、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを導入する。
8つのヘテロジニアスな睡眠ステージングデータセットからなる大規模なコーパス上で,このモデルをレシート・ワン・アウト・データセット形式でトレーニングし,評価した。
目に見えないデータセットで評価すると、RobustSleepNetはこのデータセットで特別にトレーニングされたモデルのF1の97%に達する。
そして、このデータセット用に特別にトレーニングされたモデルと比較して、未発見のデータセットの一部を用いて、f1を2%増加させる。
これにより、RobustSleepNetは、あらゆる臨床設定で高品質なアウトオブボックス自動睡眠ステージを実行することができる。
特定の人口で最先端のパフォーマンスに達するように微調整することもできる。
関連論文リスト
- MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。
マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。
このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
論文 参考訳（メタデータ） (2024-05-30T15:16:53Z) - SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography [0.7927502566022343]
睡眠ステージングは睡眠障害の診断と睡眠の健康管理の基本的な要素である。
最近のスリープステージングのためのデータ駆動アルゴリズムは、ローカルテストセットでは高いパフォーマンスを示しているが、外部データセットでは低いパフォーマンスを示している。
Sleep-Net2は生のPSG時系列からスリープをステージングするための新しい標準を設定している。
論文 参考訳（メタデータ） (2024-04-10T09:47:34Z) - Label-Efficient Sleep Staging Using Transformers Pre-trained with Position Prediction [2.591936982899312]
本稿では,特徴と時間的エンコーディングをシームレスに結合するアーキテクチャと,モデル全体を事前訓練する適切な事前学習方式を提案する。
サンプル睡眠ステージングデータセットにおいて,提案手法はラベル付きトレーニングデータに飽和しない性能向上を提供する。
論文 参考訳（メタデータ） (2024-03-29T23:22:30Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - CoRe-Sleep: A Multimodal Fusion Framework for Time Series Robust to
Imperfect Modalities [10.347153539399836]
CoRe-SleepはCoordinated Representation Multimodal fusion Networkである。
このような堅牢性を達成するための鍵として,マルチモーダル情報の適切な処理が重要であることを示す。
本研究の目的は,自動解析ツールと臨床応用とのギャップを埋めることである。
論文 参考訳（メタデータ） (2023-03-27T18:28:58Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - SleepPPG-Net: a deep learning algorithm for robust sleep staging from
continuous photoplethysmography [0.0]
生PSG時系列からの4クラス睡眠ステージングのためのDLモデルであるSleep-Netを開発した。
我々は、最高の報告されたSOTAアルゴリズムに基づいて、Sleep-Netの性能をモデルと比較した。
論文 参考訳（メタデータ） (2022-02-11T16:17:42Z) - 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) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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。