論文の概要: WiSleep: Scalable Sleep Monitoring and Analytics Using Passive WiFi Sensing

• arxiv url: http://arxiv.org/abs/2102.03690v1
• Date: Sun, 7 Feb 2021 00:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:22:13.203574
• Title: WiSleep: Scalable Sleep Monitoring and Analytics Using Passive WiFi Sensing
• Title（参考訳）: WiSleep:パッシブWiFiセンシングによるスケーラブルな睡眠モニタリングと分析
• Authors: Priyanka Mary Mammen, Camellia Zakaria, Tergel Molom-Ochir, Amee Trivedi, Prashant Shenoy, Rajesh Balan
• Abstract要約: WiSleepは、WiFiインフラから受動的に感知されるスマートフォンネットワーク接続を使用した睡眠監視および分析プラットフォームである。 本研究では,睡眠時間と覚醒時間を予測するため,ベイズ変化点検出の教師なしアンサンブルモデルを提案する。 WiSleepは、単一のコモディティサーバ上で2万人のユーザからのデータを処理することができ、サーバ要求の少ない大規模なキャンパスにスケールできることを示す。
• 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 deprivation is a public health concern that significantly impacts one's well-being and performance. Sleep is an intimate experience, and state-of-the-art sleep monitoring solutions are highly-personalized to individual users. With a motivation to expand sleep monitoring at a large-scale and contribute sleep data to public health understanding, we present WiSleep, a sleep monitoring and analytics platform using smartphone network connections that are passively sensed from WiFi infrastructure. We propose an unsupervised ensemble model of Bayesian change point detection to predict sleep and wake-up times. Then, we validate our approach using ground truth from a user study in campus dormitories and a private home. Our results find WiSleep outperforming established methods for users with irregular sleep patterns while yielding comparable accuracy for regular sleepers with an average 79.5\% accuracy. This is comparable to client-side based methods, albeit utilizing only coarse-grained information. Finally, we show that WiSleep can process data from 20,000 users on a single commodity server, allowing it to scale to large campus populations with low server requirements.
• Abstract（参考訳）: 睡眠不足は公衆衛生上の懸念であり、健康とパフォーマンスに大きく影響します。 睡眠は親密な経験であり、最先端の睡眠モニタリングソリューションは個々のユーザーに高度にパーソナライズされている。 睡眠モニタリングを大規模に拡張し、睡眠データを公衆衛生の理解に貢献する動機として、WiFiインフラから受動的に感知されるスマートフォンネットワーク接続を使用した睡眠監視および分析プラットフォームであるWiSleepを紹介します。 本稿では,ベイズ変換点検出の非監視アンサンブルモデルを提案し,睡眠時間や目覚め時間を予測する。 そこで,キャンパスドミトリーと民家におけるユーザスタディから,地道な真理を用いたアプローチを検証した。 その結果、WiSleepは、不規則な睡眠パターンを持つユーザーに対して確立された手法を上回り、平均79.5\%の精度で通常の睡眠者に対して匹敵する精度が得られることがわかった。 これはクライアントサイドのメソッドに匹敵するが、粗い情報のみを利用する。 最後に、WiSleepは単一のコモディティサーバー上で20,000人のユーザーからのデータを処理することができ、サーバー要件の低い大規模なキャンパス人口にスケールすることができます。

関連論文リスト

• SleepNet: Attention-Enhanced Robust Sleep Prediction using Dynamic Social Networks [1.622340939868235]
  本研究では,グラフネットワークによる睡眠行動の社会的伝染を利用するシステムであるSleepNetを提案する。 我々のアーキテクチャは、注意機構を考案することによって、睡眠行動に関係のない接続を含む大規模グラフの限界を克服する。
  論文  参考訳（メタデータ） (2024-01-20T04:38:34Z)
• 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)
• SleepMore: Sleep Prediction at Scale via Multi-Device WiFi Sensing [0.0]
  本研究では,ユーザのWiFiネットワーク上での機械学習に基づく,正確な睡眠追跡手法であるSleepMoreを提案する。 46人の大学生を対象とした1ヶ月にわたるユーザー調査データを用いて、SleepMoreを検証し、Oura Ringウェアラブルと比較した。 以上の結果から,SleepMoreは,5%の不確かさ率以内の予測のために,Ouraリングベースラインから統計的に識別不能な睡眠統計を発生させることが示された。
  論文  参考訳（メタデータ） (2022-10-24T16:42:56Z)
• Personalised recommendations of sleep behaviour with neural networks using sleep diaries captured in Sleepio [11.243440695021567]
  Big Healthと共同で、私たちは401,174回の睡眠日記のランダムなサンプルからデータを分析しました。 個人の睡眠行動と睡眠の質をパーソナライズされた方法でモデル化するニューラルネットワークを構築した。 ニューラルネットワークは、ユーザーがどの睡眠習慣に従うべきかをパーソナライズしたレコメンデーションを生成し、睡眠の質を最大化する。
  論文  参考訳（メタデータ） (2022-07-29T18:29:05Z)
• 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)
• 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)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• 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)
• 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。