論文の概要: Pediatric Automatic Sleep Staging: A comparative study of
state-of-the-art deep learning methods
- arxiv url: http://arxiv.org/abs/2108.10211v1
- Date: Mon, 23 Aug 2021 15:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:24:13.778172
- Title: Pediatric Automatic Sleep Staging: A comparative study of
state-of-the-art deep learning methods
- Title（参考訳）: 小児自動睡眠停止 : 最先端の深層学習法の比較研究
- Authors: Huy Phan, Alfred Mertins, Mathias Baumert
- Abstract要約: 小児期自動睡眠ステージングにおける最先端の深層学習手法に関する大規模比較研究を行った。
1200人以上の子どものサンプルを評価するため、6つの異なる特徴を持つ深層ニューラルネットワークの選択が採用されている。
実験の結果,新しい被験者で評価した場合の自動睡眠ステージングの成績は,成人で報告された専門家レベルに匹敵することがわかった。
- 参考スコア（独自算出の注目度）: 16.651453507701966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the tremendous progress recently made towards automatic sleep staging
in adults, it is currently known if the most advanced algorithms generalize to
the pediatric population, which displays distinctive characteristics in
overnight polysomnography (PSG). To answer the question, in this work, we
conduct a large-scale comparative study on the state-of-the-art deep learning
methods for pediatric automatic sleep staging. A selection of six different
deep neural networks with diverging features are adopted to evaluate a sample
of more than 1,200 children across a wide spectrum of obstructive sleep apnea
(OSA) severity. Our experimental results show that the performance of automated
pediatric sleep staging when evaluated on new subjects is equivalent to the
expert-level one reported on adults, reaching an overall accuracy of 87.0%, a
Cohen's kappa of 0.829, and a macro F1-score of 83.5% in case of single-channel
EEG. The performance is further improved when dual-channel EEG$\cdot$EOG are
used, reaching an accuracy of 88.2%, a Cohen's kappa of 0.844, and a macro
F1-score of 85.1%. The results also show that the studied algorithms are robust
to concept drift when the training and test data were recorded 7-months apart.
Detailed analyses further demonstrate "almost perfect" agreement between the
automatic scorers to one another and their similar behavioral patterns on the
staging errors.
- Abstract（参考訳）: 近年の成人における自動睡眠ステージングの進歩にもかかわらず、最も先進的なアルゴリズムが小児集団に一般化し、夜間ポリソムノグラフィー(PSG)に特徴的な特徴を示すことが現在知られている。
そこで本研究では,小児期自動睡眠ステージングのための最先端の深層学習法について,大規模比較研究を行う。
多様な閉塞型睡眠時無呼吸 (osa) の重症度を対象とし, 1200名以上の小児のサンプルを評価するために, 異なる特徴を持つ6種類の深層ニューラルネットワークの選定を行った。
実験結果から,新規被験者を対象とした自動睡眠ステージリングは,成人に報告された専門家レベルと同等であり,全体の精度は87.0%,コーエンカッパは0.829,マクロF1スコアは83.5%であった。
デュアルチャネルeeg$\cdot$eogを使用するとさらに性能が向上し、精度88.2%、cohen's kappa 0.844、マクロf1-score 85.1%に達した。
また, 学習データとテストデータが7ヶ月間隔で記録された場合, 学習アルゴリズムはドリフトの概念にロバストであることが判明した。
詳細な分析は、自動スコアラー同士の「ほぼ完璧な」一致と、ステージングエラーにおける同様の行動パターンをさらに示している。
関連論文リスト
- SleepFM: Multi-modal Representation Learning for Sleep Across Brain Activity, ECG and Respiratory Signals [17.416001617612658]
睡眠は、脳、心臓、呼吸活動を記録する様々なモードを通して評価される複雑な生理的過程である。
睡眠分析のための最初のマルチモーダル基礎モデルであるSleepFMを開発した。
コントラスト学習のための新しい一対一アプローチにより、下流タスク性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-05-28T02:43:53Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - Application of Machine Learning to Sleep Stage Classification [0.7196441171503458]
睡眠研究は、睡眠喪失と精神病理に寄与するメカニズムの解明に関連する表現型を再カプセル化するために不可欠である。
多くの場合、調査員は手動でポリソムノグラフィーを警戒状態に分類する。
我々は,単一の脳波読み取りに基づいて警戒状態を確実に予測できる,自動かつオープンアクセスの分類器を作ることを目指している。
論文 参考訳（メタデータ） (2021-11-04T18:00:50Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - 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) - 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 sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z) - 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。