論文の概要: SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep
Staging
- arxiv url: http://arxiv.org/abs/2105.13864v1
- Date: Mon, 24 May 2021 16:32:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 08:55:16.791264
- Title: SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep
Staging
- Title(参考訳): SalientSleepNet:スリープステージングのためのマルチモーダルサルエント波検出ネットワーク
- Authors: Ziyu Jia, Youfang Lin, Jing Wang, Xuehui Wang, Peiyi Xie and Yingbin
Zhang
- Abstract要約: 本研究では睡眠時ステージングのためのサージェント波検出ネットワークであるSalientSleepNetを提案する。
2つの独立した$rm U2$-likeストリームで構成され、マルチモーダルデータから有能な特徴を抽出する。
2つのデータセットの実験では、SalientSleepNetが最先端のベースラインを上回っていることが示されている。
- 参考スコア(独自算出の注目度): 10.269152939137854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sleep staging is fundamental for sleep assessment and disease diagnosis.
Although previous attempts to classify sleep stages have achieved high
classification performance, several challenges remain open: 1) How to
effectively extract salient waves in multimodal sleep data; 2) How to capture
the multi-scale transition rules among sleep stages; 3) How to adaptively seize
the key role of specific modality for sleep staging. To address these
challenges, we propose SalientSleepNet, a multimodal salient wave detection
network for sleep staging. Specifically, SalientSleepNet is a temporal fully
convolutional network based on the $\rm U^2$-Net architecture that is
originally proposed for salient object detection in computer vision. It is
mainly composed of two independent $\rm U^2$-like streams to extract the
salient features from multimodal data, respectively. Meanwhile, the multi-scale
extraction module is designed to capture multi-scale transition rules among
sleep stages. Besides, the multimodal attention module is proposed to
adaptively capture valuable information from multimodal data for the specific
sleep stage. Experiments on the two datasets demonstrate that SalientSleepNet
outperforms the state-of-the-art baselines. It is worth noting that this model
has the least amount of parameters compared with the existing deep neural
network models.
- Abstract(参考訳): 睡眠ステージングは睡眠アセスメントと病気の診断に欠かせない。
睡眠段階を分類する試みは高い評価を得たが,1) 多モード睡眠データから塩分波を効果的に抽出する方法,2)睡眠段階間での多スケール遷移規則の捉え方,3)睡眠段階における特定のモードの重要な役割を適応的に把握する方法,などが課題である。
そこで本研究では,睡眠ステージングのためのマルチモーダルサルエント波検出ネットワークであるsalientsleepnetを提案する。
具体的には、SalientSleepNetは、コンピュータビジョンにおける有能なオブジェクト検出のために提案された$\rm U^2$-Netアーキテクチャに基づく、時間的完全畳み込みネットワークである。
主に2つの独立な$\rm U^2$-likeストリームで構成され、それぞれ多モードデータから有意な特徴を抽出する。
一方、マルチスケール抽出モジュールは、睡眠ステージ間のマルチスケール遷移ルールをキャプチャするように設計されている。
また、特定の睡眠段階における多モードデータから貴重な情報を適応的に取得する多モードアテンションモジュールを提案する。
2つのデータセットの実験は、SalientSleepNetが最先端のベースラインを上回っていることを示している。
このモデルは、既存のディープニューラルネットワークモデルと比較してパラメータが最小である点に注意が必要だ。
関連論文リスト
- SleepGMUformer: A gated multimodal temporal neural network for sleep staging [12.839348425917581]
本稿では、WristHR-Motion-SleepおよびSleepEDF-78の心拍、運動、ステップ、脳波(Fpz-Cz、Pz-Oz)、EOGを含む多ドメイン睡眠データのためのゲート型時空間ニューラルネットワークを提案する。
1)機能アライメント、値ハンドリングの欠如、EEGデトレクションのための前処理モジュール、2)時間次元における複雑な睡眠特徴のための特徴抽出モジュール、3)リアルタイムなモータリティ重み付けのための動的融合モジュール。
論文 参考訳(メタデータ) (2025-02-20T03:42:42Z) - MIFNet: Learning Modality-Invariant Features for Generalizable Multimodal Image Matching [54.740256498985026]
キーポイントの検出と記述方法は、しばしばマルチモーダルデータと競合する。
マルチモーダル画像マッチングにおけるキーポイント記述に対するモダリティ不変特徴量を計算するためのモダリティ不変特徴量学習ネットワーク(MIFNet)を提案する。
論文 参考訳(メタデータ) (2025-01-20T06:56:30Z) - ST-USleepNet: A Spatial-Temporal Coupling Prominence Network for Multi-Channel Sleep Staging [9.83413257745779]
時空間グラフ構築モジュール(ST)とU字型睡眠ネットワーク(USleepNet)からなるST-USleepNetという新しいフレームワークを提案する。
STモジュールは、信号類似性、時間的、空間的関係に基づいて生信号を時空間グラフに変換し、時空間結合パターンをモデル化する。
USleepNetは、時間的および空間的ストリームの両方にU字型の構造を採用しており、重要なターゲットを分離するために画像セグメント化に当初使用していたことを反映している。
論文 参考訳(メタデータ) (2024-08-21T14:57:44Z) - WaveSleepNet: An Interpretable Network for Expert-like Sleep Staging [4.4697567606459545]
WaveSleepNetは、スリープステージングのための解釈可能なニューラルネットワークである。
WaveSleepNetは遅延空間表現を使用して、異なる睡眠段階に対応する特性波のプロトタイプを識別する。
WaveSleepNetの有効性は、3つの公開データセットで検証されている。
論文 参考訳(メタデータ) (2024-04-11T03:47:58Z) - Quantifying the Impact of Data Characteristics on the Transferability of
Sleep Stage Scoring Models [0.10878040851637998]
遠隔睡眠モニタリングのための有望な方法として,単チャンネル脳波に基づく睡眠ステージ評価のための深層学習モデルが提案されている。
これらのモデルを新しいデータセット、特にウェアラブルデバイスに適用すると、2つの疑問が浮かび上がる。
まず、ターゲットデータセットのアノテーションが利用できない場合、どの異なるデータ特性が睡眠ステージのスコアリングのパフォーマンスに最も影響するか。
本稿では,異なるデータ特性が深層学習モデルの伝達性に与える影響を定量化する手法を提案する。
論文 参考訳(メタデータ) (2023-03-28T07:57:21Z) - MM-TTA: Multi-Modal Test-Time Adaptation for 3D Semantic Segmentation [104.48766162008815]
本稿では,3次元セマンティックセグメンテーションのためのテスト時間適応のマルチモーダル拡張を提案する。
マルチモダリティを最大限に活用できるフレームワークを設計するために、各モダリティは他のモダリティに対して正規化された自己監督信号を提供する。
正規化された擬似ラベルは、多数の多モードテスト時間適応シナリオにおいて安定した自己学習信号を生成する。
論文 参考訳(メタデータ) (2022-04-27T02:28:12Z) - TransSleep: Transitioning-aware Attention-based Deep Neural Network for
Sleep Staging [2.105172041656126]
本稿では,局所的な時間的特徴を捉えた新しいディープニューラルネットワーク構造であるTransSleepを提案する。
その結果,TransSleepは自動睡眠ステージングにおいて有望な性能を発揮することがわかった。
論文 参考訳(メタデータ) (2022-03-22T08:55:32Z) - Routing with Self-Attention for Multimodal Capsule Networks [108.85007719132618]
我々は,カプセルの強度をマルチモーダル学習フレームワークの文脈で活用できる,新しいマルチモーダルカプセルネットワークを提案する。
カプセルを大規模入力データに適応させるために, カプセルを選択する自己保持機構による新たなルーティングを提案する。
これにより、ノイズの多いビデオデータによる堅牢なトレーニングだけでなく、従来のルーティング方法と比較してカプセルネットワークのサイズを拡大することが可能になる。
論文 参考訳(メタデータ) (2021-12-01T19:01:26Z) - 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) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳(メタデータ) (2020-08-25T06:00:06Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z)
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。