論文の概要: Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals
- arxiv url: http://arxiv.org/abs/2102.03352v1
- Date: Fri, 29 Jan 2021 22:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 09:59:18.824030
- Title: Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals
- Title（参考訳）: パルスオキシメトリー信号を用いた覚醒時および睡眠時の睡眠ステージ分類のための時間畳み込みネットワークとトランスフォーマー
- Authors: Ramiro Casal, Leandro E. Di Persia, and Gast\'on Schlotthauer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep disorders are very widespread in the world population and suffer from a
generalized underdiagnosis, given the complexity of their diagnostic methods.
Therefore, there is an increasing interest in developing simpler screening
methods. A pulse oximeter is an ideal device for sleep disorder screenings
since it is a portable, low-cost and accessible technology. This device can
provide an estimation of the heart rate (HR), which can be useful to obtain
information regarding the sleep stage. In this work, we developed a network
architecture with the aim of classifying the sleep stage in awake or asleep
using only HR signals from a pulse oximeter. The proposed architecture has two
fundamental parts. The first part has the objective of obtaining a
representation of the HR by using temporal convolutional networks. Then, the
obtained representation is used to feed the second part, which is based on
transformers, a model built solely with attention mechanisms. Transformers are
able to model the sequence, learning the transition rules between sleep stages.
The performance of the proposed method was evaluated on Sleep Heart Health
Study dataset, composed of 5000 healthy and pathological subjects. The dataset
was split into three subsets: 2500 for training, $1250$ for validating, and
1250 for testing. The overall accuracy, specificity, sensibility, and Cohen's
Kappa coefficient were 90.0%, 94.9%, 78.1%, and 0.73.
- Abstract（参考訳）: 睡眠障害は世界人口において非常に広範に存在し、診断方法の複雑さを考えると、一般的な低診断に苦しむ。
そのため,より簡易なスクリーニング手法の開発への関心が高まっている。
パルスオキシメータは、ポータブルで低コストでアクセス可能な技術であるため、睡眠障害スクリーニングの理想的な装置である。
この装置は、睡眠段階に関する情報を得るのに役立つ心拍数(HR)を推定することができる。
本研究では,パルスオキシメータからのhr信号のみを用いて覚醒時や睡眠時の睡眠ステージを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した。
提案されたアーキテクチャには2つの基本部分がある。
第1部は、時間的畳み込みネットワークを用いてHRの表現を得る目的を有する。
次に、得られた表現を用いて、注意機構のみを組み込んだモデルであるトランスフォーマーに基づく第2部をフィードする。
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。
提案法の性能は,健常者5000名と病的被験者5000名からなる睡眠時心健康調査データセットで評価した。
データセットは、トレーニング用2500ドル、検証用250ドル、テスト用1250ドルの3つのサブセットに分割された。
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。
関連論文リスト
- Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。
熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。
マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
論文 参考訳（メタデータ） (2024-07-16T17:26:50Z) - 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) - ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph
Learning with Attentive Temporal Aggregation [4.014524824655106]
本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。
提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
論文 参考訳（メタデータ） (2022-12-09T14:34:58Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - Sleep syndromes onset detection based on automatic sleep staging
algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。
深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。
コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文 参考訳（メタデータ） (2021-07-07T15:38:47Z) - 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) - 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) - Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals [0.0]
自律神経系の調節は睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
論文 参考訳（メタデータ） (2020-08-07T21:43:46Z)
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。