論文の概要: Automated scoring of pre-REM sleep in mice with deep learning
- arxiv url: http://arxiv.org/abs/2105.01933v1
- Date: Wed, 5 May 2021 09:03:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 12:37:31.828954
- Title: Automated scoring of pre-REM sleep in mice with deep learning
- Title（参考訳）: 深層学習マウスにおけるREM前睡眠の自動評価
- Authors: Niklas Grieger, Justus T. C. Schwabedal, Stefanie Wendel, Yvonne
Ritze, Stephan Bialonski
- Abstract要約: 本稿では,古典期とマウスのレム前睡眠をスコア付けする,単純なニューラルネットワークアーキテクチャに基づく分類システムを提案する。
古典的な段階に限定されたとき、最適化されたネットワークは、サンプル外F1スコア0.95で最先端の分類性能を示した。
以上の結果から, 過渡睡眠段階のスコア付けが困難であること, 典型的なデータセットではその段階が過度に表れていること, またはスカラー間変動が大きいことなどから, さらなる証拠が得られた。
- 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: Reliable automation of the labor-intensive manual task of scoring animal
sleep can facilitate the analysis of long-term sleep studies. In recent years,
deep-learning-based systems, which learn optimal features from the data,
increased scoring accuracies for the classical sleep stages of Wake, REM, and
Non-REM. Meanwhile, it has been recognized that the statistics of transitional
stages such as pre-REM, found between Non-REM and REM, may hold additional
insight into the physiology of sleep and are now under vivid investigation. We
propose a classification system based on a simple neural network architecture
that scores the classical stages as well as pre-REM sleep in mice. When
restricted to the classical stages, the optimized network showed
state-of-the-art classification performance with an out-of-sample F1 score of
0.95. When unrestricted, the network showed lower F1 scores on pre-REM (0.5)
compared to the classical stages. The result is comparable to previous attempts
to score transitional stages in other species such as transition sleep in rats
or N1 sleep in humans. Nevertheless, we observed that the sequence of
predictions including pre-REM typically transitioned from Non-REM to REM
reflecting sleep dynamics observed by human scorers. Our findings provide
further evidence for the difficulty of scoring transitional sleep stages,
likely because such stages of sleep are under-represented in typical data sets
or show large inter-scorer variability. We further provide our source code and
an online platform to run predictions with our trained network.
- Abstract（参考訳）: 動物睡眠を評価するための労働集約マニュアルの信頼性の高い自動化は、長期睡眠研究の分析を容易にする。
近年、データから最適な特徴を学習するディープラーニングベースのシステムは、Wake、REM、Non-REMの古典的な睡眠ステージにおける評価精度を高めている。
一方、Non-REMとREMの間に見られるREMのような移行段階の統計は、睡眠の生理学に関するさらなる洞察を与えており、現在、活発な調査が行われていると認識されている。
本稿では,古典期とマウスのレム前睡眠をスコア付けする,単純なニューラルネットワークアーキテクチャに基づく分類システムを提案する。
古典的な段階に限定されると、最適化されたネットワークは最先端の分類性能を示し、サンプル外F1スコアは0.95である。
制限のない場合、ネットワークは従来のステージに比べて、プレREM(0.5)で低いF1スコアを示した。
この結果は、ラットの移行睡眠やヒトのN1睡眠など、他の種の移行段階を測る以前の試みに匹敵する。
いずれにせよ, プレREMを含む予測の順序は, 人間のスコアラーが観察した睡眠動態を反映する非REMからREMへ移行した。
以上の結果から、典型的なデータセットでは睡眠の段階が過小評価されているか、ストーラー間変動が大きいことが示唆された。
さらに、トレーニングされたネットワークで予測を実行するためのソースコードとオンラインプラットフォームも提供します。
関連論文リスト
- NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG [2.3310092106321365]
睡眠ステージ分類は、睡眠障害を診断し、睡眠の質を評価する重要な側面である。
近年の深層学習の進歩は、睡眠段階分類の自動化を著しく促進している。
本稿では,未ラベルの単一チャンネル睡眠脳波(EEG)信号を利用する自己教師型学習フレームワークであるNeuroNetを紹介する。
論文 参考訳（メタデータ） (2024-04-10T18:32:22Z) - Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging [6.86283473936335]
ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2023-12-06T00:28:08Z) - 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) - 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) - 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) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳（メタデータ） (2021-02-25T02:13:52Z) - 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。