論文の概要: MSED: a multi-modal sleep event detection model for clinical sleep analysis

• arxiv url: http://arxiv.org/abs/2101.02530v1
• Date: Thu, 7 Jan 2021 13:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 13:51:23.062086
• Title: MSED: a multi-modal sleep event detection model for clinical sleep analysis
• Title（参考訳）: msed : 臨床睡眠分析のためのマルチモーダル睡眠イベント検出モデル
• Authors: Alexander Neergaard Olesen, Poul Jennum, Emmanuel Mignot and Helge B. D. Sorensen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Study objective: Clinical sleep analysis require manual analysis of sleep patterns for correct diagnosis of sleep disorders. Several studies show significant variability in scoring discrete sleep events. We wished to investigate, whether an automatic method could be used for detection of arousals (Ar), leg movements (LM) and sleep disordered breathing (SDB) events, and if the joint detection of these events performed better than having three separate models. Methods: We designed a single deep neural network architecture to jointly detect sleep events in a polysomnogram. We trained the model on 1653 recordings of individuals, and tested the optimized model on 1000 separate recordings. The performance of the model was quantified by F1, precision, and recall scores, and by correlating index values to clinical values using Pearson's correlation coefficient. Results: F1 scores for the optimized model was 0.70, 0.63, and 0.62 for Ar, LM, and SDB, respectively. The performance was higher, when detecting events jointly compared to corresponding single-event models. Index values computed from detected events correlated well with manual annotations ($r^2$ = 0.73, $r^2$ = 0.77, $r^2$ = 0.78, respectively). Conclusion: Detecting arousals, leg movements and sleep disordered breathing events jointly is possible, and the computed index values correlates well with human annotations.
• Abstract（参考訳）: 研究目的: 臨床睡眠分析は、睡眠障害の正確な診断のために、睡眠パターンの手動分析を必要とする。 いくつかの研究は、個別の睡眠イベントを評価する際に有意な変動を示す。 本研究は, 覚醒(Ar), 脚運動(LM), 睡眠障害呼吸(SDB)イベントの検出に自動検出が有効であるか, およびこれらの事象の同時検出が3つの異なるモデルより優れているかを検討した。 方法:ポリソムノグラムで睡眠イベントを共同検出するために,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。 モデルを1653個の記録からトレーニングし,1000個の記録に最適化したモデルをテストした。 モデルの性能はF1,精度,リコールスコアで定量化し,Pearsonの相関係数を用いて指標値と臨床値とを相関させた。 結果: 最適化モデルのF1スコアは, Ar, LM, SDBそれぞれ0.70, 0.63, 0.62であった。 イベント検出性能は, 単独イベントモデルと比較して高い結果を得た。 検出されたイベントから算出されたインデックス値は、手動アノテーション(r^2$ = 0.73, $r^2$ = 0.77, $r^2$ = 0.78)とよく相関した。 結論: 覚醒, 脚運動, 睡眠障害を伴う呼吸イベントを共同で検出することは可能であり, 算出された指標値は, 人間の注記とよく相関する。

関連論文リスト

• SleepFM: Multi-modal Representation Learning for Sleep Across Brain Activity, ECG and Respiratory Signals [17.416001617612658]
  睡眠は、脳、心臓、呼吸活動を記録する様々なモードを通して評価される複雑な生理的過程である。 睡眠分析のための最初のマルチモーダル基礎モデルであるSleepFMを開発した。 コントラスト学習のための新しい一対一アプローチにより、下流タスク性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-05-28T02:43:53Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• 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)
• Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and Oxygen Saturation [1.2291501047353484]
  シンプルで使いやすいデバイスから睡眠時無呼吸を自動的に検出するより便利な方法のための一般的な医学とクリティカルケアの必要性があります。 本研究の目的は, 呼吸異常を自動検出し, Apnea-Hypopnea-Index (AHI) をウェアラブル呼吸装置で推定することである。 4つのモデルが訓練された:1つは呼吸機能のみを使用し、1つはSpO2(%)信号のみから、もう1つは呼吸機能とSpO2(%)機能を使用する2つの追加モデルである。
  論文  参考訳（メタデータ） (2021-02-24T02:04:57Z)
• 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)
• RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
  我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
  論文  参考訳（メタデータ） (2020-05-15T21:48:26Z)

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。