論文の概要: A Review of the Non-Invasive Techniques for Monitoring Different Aspects
of Sleep
- arxiv url: http://arxiv.org/abs/2104.12964v1
- Date: Tue, 27 Apr 2021 04:12:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 22:50:21.228777
- Title: A Review of the Non-Invasive Techniques for Monitoring Different Aspects
of Sleep
- Title（参考訳）: 睡眠の異なる側面をモニタリングするための非侵襲的手法の検討
- Authors: Zawar Hussain, Quan Z. Sheng, Wei Emma Zhang, Jorge Ortiz, Seyedamin
Pouriyeh
- Abstract要約: 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。
金本位睡眠分析法(gold standard method for sleep analysis)は臨床環境下で行うポリソムノグラフィ(psg)であるが、長期使用には高価かつ複雑である。
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。
- 参考スコア（独自算出の注目度）: 15.82966379880151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quality sleep is very important for a healthy life. Nowadays, many people
around the world are not getting enough sleep which is having negative impacts
on their lifestyles. Studies are being conducted for sleep monitoring and have
now become an important tool for understanding sleep behavior. The gold
standard method for sleep analysis is polysomnography (PSG) conducted in a
clinical environment but this method is both expensive and complex for
long-term use. With the advancements in the field of sensors and the
introduction of off-the-shelf technologies, unobtrusive solutions are becoming
common as alternatives for in-home sleep monitoring. Various solutions have
been proposed using both wearable and non-wearable methods which are cheap and
easy to use for in-home sleep monitoring. In this paper, we present a
comprehensive survey of the latest research works (2015 and after) conducted in
various categories of sleep monitoring including sleep stage classification,
sleep posture recognition, sleep disorders detection, and vital signs
monitoring. We review the latest works done using the non-invasive approach and
cover both wearable and non-wearable methods. We discuss the design approaches
and key attributes of the work presented and provide an extensive analysis
based on 10 key factors, to give a comprehensive overview of the recent
developments and trends in all four categories of sleep monitoring. We also
present some publicly available datasets for different categories of sleep
monitoring. In the end, we discuss several open issues and provide future
research directions in the area of sleep monitoring.
- Abstract（参考訳）: 健康な生活には質の高い睡眠がとても重要です。
現在、世界中の多くの人々は睡眠不足で生活様式に悪影響を与えている。
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。
金本位睡眠分析法(gold standard method for sleep analysis)は臨床環境下で行うポリソムノグラフィ(psg)であるが、長期使用には高価かつ複雑である。
センサー分野の進歩と市販のテクノロジーの導入により、家庭内睡眠モニタリングの代替手段として目立たないソリューションが一般的になりつつある。
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。
本稿では,睡眠ステージ分類,睡眠姿勢認識,睡眠障害検出,バイタルサインモニタリングなど,睡眠モニタリングのさまざまなカテゴリで実施されている最新の研究成果(2015,after)について総合的な調査を行う。
非侵襲的アプローチを用いた最新の研究をレビューし、ウェアラブルと非ウェアラブルの両方をカバーした。
本研究は, 睡眠モニタリングの4つのカテゴリにおける最近の展開と動向を概観するために, 10 つの重要な要因に基づく広範囲な分析と設計手法について考察した。
また、睡眠モニタリングのさまざまなカテゴリのデータセットも公開しています。
最後に,いくつかの未解決問題について議論し,睡眠モニタリング分野における今後の研究方向性について述べる。
関連論文リスト
- 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) - 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) - 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) - 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) - Classification Of Sleep-Wake State In A Ballistocardiogram System Based
On Deep Learning [1.4680035572775534]
本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。
睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
論文 参考訳（メタデータ） (2020-11-11T03:38:33Z) - 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) - N=1 Modelling of Lifestyle Impact on SleepPerformance [2.9073923339818006]
睡眠は健康な生活に欠かせない。
最近の研究にもかかわらず、実際の環境でパーソナライズされた睡眠モデルを作成することは困難だった。
本研究では,日常活動と睡眠品質の因果関係を同定する睡眠モデルを提案する。
論文 参考訳（メタデータ） (2020-06-18T22:43:35Z)
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。